《新约圣经》中说："凯撒的归凯撒，上帝的归上帝"。但在黑暗的中世纪，皇权与教权无时无刻不在发生缠斗，可谓是恩爱交织。那么，当传统金融与新兴科技交汇时，是"金融的归金融，科技的归科技"，还是双方碰撞出不一样的火花呢？

编辑 | 数字科技洞察

撰文 | 陈世锋

从被视为"赌场"到"市场"，金融在国家资产配置方面的作用越来越重要。而伴随着新的技术手段的出现，金融的触角更加广泛，不断延伸到社会各个角落，也促使普惠金融的概念更加深入人心。

然而，在拓展新客户群体的同时，金融行业不确定性也随之增加，从而更加凸显了风控这个核心环节的重要性。在新的时代背景下，创新金融机构一方面要不断开拓客户，另一方面也不得不加强对客户的审核，在规模化和精细化之间，努力维持风险与收益的平衡。而这，并非易事。

科技、金融与风控

第一代老股民或许还记得上世纪90年代的上海，委托交易时的排队长龙，依然在许多人脑海中清晰浮现，已经成为一段珍贵的历史印象。

彼时，没有电脑交易系统，为了能早点达成交易都得提前排队。有资深股民回忆，在关键时刻，比如买入股票预约单，往往要连夜排队。在上海人民广场的黄万国营业部门口，直到夜深也是一派熙攘景象。

而到了今天，新一代股民已经习惯了网上浏览信息、在线委托交易，甚至会借助在线工具智能化选股炒股。实际上，不止证券交易，整个金融服务这个发展了数千年的行业，在科技推动下正在发生着不可阻挡的革命性变化。

第1，科技带来的生产力的变革，人与机器融合的特征愈加明显，AI、大数据、云计算等技术的应用，给银行等金融机构带来了效率和效能的提升。

第2，在科技加持下，金融领域开始呈现全新的展业模式，金融产品更加多元化，金融服务更加综合性、场景化。

第3， 数字科技正在带来全新的用户体验，包括智能营销系统、智能金融服务模式，都将会给用户带来便捷、安全、高效和个性化的金融服务体验。

第4， 普惠金融的门槛和成本正在降低，广度、深度、效益等却比之前有了较大的提升。

其中，最为明显的是，随着国家消费升级战略的推进，以商业银行为代表的传统金融机构、持牌消费金融公司、互联网金融公司等都在消费金融领域进行激烈的角逐。客户从原本的固定工作和稳定收入、信用记录优良的小众人群，逐渐拓展至都市白领、蓝领工人、大学生乃至农民，并在医疗、教育、租房等不同场景中落地。

从这个层面上来看，科技正使金融打破"边界"，在不同阶层的群体、不同落地场景中拓展新业务。

但与此同时，客户数量的剧增，科技手段的下沉，也为金融风控带来沉重的压力。除了因政策变化带来的合规风险之外，相对开放的互联网应用也让金融机构的基础设备和业务暴露在视线中，带来涵盖应用安全、网络安全、帐号安全与客户安全等基础安全风险，以及信用风险、欺诈风险、操作风险、营销风险等在内的业务安全风险。

每一个节点都可以带来安全风险，安全风险的不确定因素也越来越多，以欺诈风险为例，其可能来源于第一方，即客户本人主观意愿，比如虚假交易套现、薅羊毛等行为；也可能来自于第三方，并非客户本人意愿，比如盗刷风险、身份冒用等造成的损失。以上种种，都将会给金融机构造成潜在的损失。

仅从现金贷和消费金融领域来看，据之前中金公司的一份研究报告显示，现金贷行业逾期率在4.1%左右，其中50%的逾期来源于有组织的欺诈申请。如依据帐龄分析法（Vintage Analysis），行业整体真实的不良率将超过10%。

这些欺诈防控、账户安全风险等，是金融风控面临的新的挑战。在新的风险笼罩之下，他们无法再依据原本的主观经验及客户评级，也不能依赖于历史离线数据预测分析，必须采用新的风控手段，建立实时、主动的全面风险管理体系。

智能化风险管理体系

科技带来的机遇和风险，最终还需要科技手段来解决。近几年，传统金融机构不断加速向技术依赖型企业转型，而许多金融科技公司也在完善自身风控体系的同时，对传统金融机构提供风控能力输出支持的服务，依靠科技手段及时有效防范金融风险。

当然，要建立一个完善的风险管理体系，首先要树立起良好的全方位风险管理理念。在这个客户与场景愈加复杂多样的时代，"任何环节的问题都会影响最终结果，线上业务的风险管理要求更高，必须将风险理念深入渗透到所有业务环节，必须全流程、全生命周期风险管理。"京东数科一位风控部门负责人如是说。

风险管理贯穿获客、准入、经营、逾期等整个客户生命周期，而依据用户生命周期的不同阶段，又可以分为贷前、贷中、贷后等不同场景。对于金融风控来讲，贷前、贷中、贷后是风险识别的不同节点，也是风控作用机制的不同节点。按照京东数科风控部门的经验来看：

在贷前环节，风控需要对承贷主体的合规性、合法性和有效性进行全面审查，同时还需要通过大量数据、模型对客户的还款能力和还款意愿进行分析，从而识别出风险用户，将风险挡在门外；

贷中环节则需要对用户的资质变化进行定期评估，用户的交易行为进行实时监控，保证优质客户的用户体验，对风险用户及时采取措施；

而在贷后环节，面对优质用户需及时做好维护工作，针对已出现的风险情况，则采取合情合理合法的手段做好提醒，确保资产最大化回笼。

总体来看，做好风控需要各环节的衔接与配合，全链路分析用户的行为信息及数据表现，从而建立全面的风控体系。

而在全面的风控体系中，风控模型的设置显得尤为重要，而随着科技力量的渗透，风控模型也越来越智能化：在大数据、云计算、AI等技术的支撑下，传统以人为主的的风控模式正在悄然转变——借助于全面多维度的数据，通过模型自动甄别分析，实时计算结果，提高量化风险评估能力，提高风险管理的时效性。

具体来讲，数据是风控模型的灵魂，所有决策都是以数据为驱动。从原始数据的角度来看，可以将每个用户信息分为不同的维度，比如基本信息、行为信息、信用信息、社交信息、消费信息等，而到了金融科技企业内部则需要将数据原子化，把数据按照业务归属分类，形成账户、资金、投资、消费等不同的类别，进而按照风控关注的业务做数据整合，最后在不同的场景中使用。

而风控模型在不同阶段的方式和功能也不一样。从资金角度来看，风控模型是为了评估用户还款能力和还款意愿，反欺诈反作弊，防止用户薅羊毛和保证平台安全等；从行业的角度，互联网风控模型体现在消费金融、供应链金融、信用借贷、P2P、大数据征信等不同的场景。

而在这些不同的业务和场景中，风险模型也不太一样，特别是大数据背景下模型所使用的算法可能完全不同，涵盖的算法类型也很广，囊括了统计学习、机器学习、深度学习、最优化理论等不同的技术体系。

比如在授信场景，风险模型的目标是计算客户的违约概率，是要从千万级的样本上去寻找统计特征进而对所有的用户进行排序并给定其违约概率分数。传统银行信用卡业务是利用LR（逻辑回归）模型构建评分卡，但无法适应现在的大数据、弱数据业务特点，因此像京东数科等金融科技企业，主要采用多种AI智能算法，利用复杂算法将碎片化信息还原出用户的还款能力与还款意愿。

而在反欺诈、营销风控等场景，风险防御充满了未知和挑战，敌在暗我在明，作案的手段层出不穷，犯罪能力还会随着技术的进步而同步升级。如何实现当面对未知的全新的犯罪手段和方法仍然能够有效识别和拦截呢？无监督、半监督算法就是这样的利器——围绕账号体系为核心构建大量的用户行为特征，利用正常用户的共性作为基石，借助无监督模型去识别、探测那些有明显异常行为模式的用户。

这种方法构建的风险识别模型与常见的信贷评分卡模型有较大的差异，其中反欺诈里面的坏样本是在快速变化的，往往是突发的集中攻击，分不同的批次出现，同时模型的更新速度要求也明显高于信贷评分卡，甚至需要实时更新模型，工程难度更高。

从目前来看，智能化风控体系仍有很长的路要走。毕竟，采集的数据会有阶段性的差异，质量会随时间推移，慢慢发生变化，可能花费很大精力产出的预测产品会失效，调整代价难易不可估算。而人工智能算法构建的风控模型也会随着技术的迭代而发生改变，这都在一定程度上增加了智能风险管理的不确定性。

然而，互联网科技为金融机构带来的人口红利，必然会随着时间而慢慢消退，但随之滋生的风险问题可能要长期存留下来，智能化风控管理体系也势在必行。对于金融机构来说，只有树立正确的风险管理理念，通过大数据、算法和模型等先进的技术和工具，才能在未来大幅度降低金融服务的成本，最终实现风险和收益的平衡。