干货 | AI 在消费金融产品优化以及风险控制中的应用（附 PPT + 视频）

正文

请到「今天看啥」查看全文

（本期公开课完整视频，共 51 分钟）

以下为雷锋网 对嘉宾分享内容的实录精编。

风险控制

信用评分

风险控制是消费金融领域的一大核心问题，信用评分机制则是控制风险的有效手段。信用评分机制可以简化为分类问题，即根据用户历史上的行为，来判断他是 “好人” 还是 “坏人”。假如一个用户逾期几个月，那么我们就认定他是 “坏人”，若没有逾期行为，则为 “好人”。

我们采用了机器监督学习中的经典分类算法来进行用户信用评分。评分过程可以分为以下几步：

数据导入和清洗。 因为数据采集过程中可能会采集到脏数据，此外，我们还需要剔除部分不可用、不可计算的数据，以及空数据。

特征提取。 采集数据时，我们通常会采集多达一万多个数据点，然后通过特征提取的方式提取几百个特征点。

模型选择。 在模型中，我们会运用到一些机器学习算法，比如逻辑回归、随机森林、AdaBoost、XgBoost、神经网络等。选择模型时，我们会采取 cross validation 的方式，同时运用基于 ROC 的 AUC 来决策模型的好坏。

决策。 决策过后，我们可以观察用户表现，重新提取数据训练模型，形成正向反馈循环。也就是说，随着收集到更多、更新的数据，我们的模型将不断迭代和进化。

从应用结果来看，AI 决策相比传统手工开发的算法决策，可以把决策时间从分钟级别缩短至 0.1 秒，同时降低 25% 的坏账率，每年为企业节约高达上千万的成本。

在大家熟知的，使用深度神经网络解决图像识别和云识别的问题中，一般而言，采集的数据越多，训练出的模型就越好。但金融领域不同，金融数据具有非常强的时间效应，越靠近现在的数据越具备预测效力。并不是说拥有的数据越多，模型效果就越好。因此，不断定期更新模型至关重要。

模型是基于历史数据训练出来的，在未来不发生异常事件的前提下，可以保持预测效力；一旦出现异常事件，模型的效力就有可能下降。为了保证系统预测的稳定性，我们会同时开发多个模型彼此竞赛。

比方说，我们训练出了三个模型，分配给他们不同的流量：模型 2 流量最高，模型 1 次之；模型 3 最低。一段时间后，我们可以收集到各个模型的表现，根据其准确率动态调节流量。如果某个模型表现好，就多分配一些流量，反之则减少流量。如果这个模型的效力长时间内持续下降，就将逐渐被淘汰，与此同时会有新的模型加入竞争。总而言之，多模型并行，择优进化，对于保持系统的稳定性十分重要。

通过社交网络分析反欺诈

请到「今天看啥」查看全文