大数据风控用了什么模型？有效性如何？

我理解，目前大数据风控主要分为三类：

反欺诈模型二元好坏模型资产包风控模型

一、反欺诈模型

大数据风控只能用于小微资产（现金贷、消费贷、小微企业贷、信用卡），而不可能用于基建、政信。对于小微资产，还款能力不是核心问题，主要风险是还款意愿。因此目前市面上大数据风控90%的价值在于反欺诈。

反欺诈的大数据风控主要基于两套工具：交叉验证、聚类分析。

交叉验证主要是由人工判断规则，系统校验是否符合实际情况。如通讯录和通话记录校验、电商记录校验、设备指纹校验、多信息源地理位置校验。以现金贷产品为例，大多数现金贷产品的基础风控逻辑就是两个摄像头，后摄像头识别身份证，前摄像头做人脸的活体识别大数据风险，人脸对上身份证，就做好了反欺诈，之后就扔到二元好坏模型做评估。

聚类分析和交叉验证的区别是，交叉验证很多时候根据一些人工的规则，但是聚类分析主要是根据结果反向推导。比如通过历史资产的履约情况，发现在19-25岁区间的人群风险较低、发现输入地址时间比较长的人群风险较高、发现填写收入在30000以上的风险比3000以下还高。有的规则最后可以通过逻辑解释，有的规则最后根本也无法理解为什么。但是如果一个新的进件，和之前的「坏客户」比较相似，那么他大概率是坏客户。

以同盾为例，主要向资产、资金、支付、场景四方输出反欺诈SaaS，提供：

交叉验证工具聚类分析报告黑（灰）名单数据库

二、二元好坏模型

二元好坏模型的核心价值是量化定价，包括授信额度、贷款期限、利率等。主要工具就是评分卡，先给用户信用评分定级，然后不同级别不同利率。宜人贷分为ABCD类客户，利率分别为17%、27%、34%、40%；Lending Club分为从A1-G5共35个级别，利率水平从6%到26%不等。（16年初数据）

至于贷款额度，一般随行就市。

个人现金贷：小额现金贷以随行就市为基础，通过拍脑袋决定，在1000-5000不等。个人消费贷：由于中国居民杠杆率较低，基本上3C、医美、教育的资金需求都低于客户授信额，因此直接使用交易金额就行。对于车贷行业，一般也是简单分档，30万以上车审核较严，10万以下车分36期，客户还款压力也不大。小微企业贷：目前大数据应用不多，主要因为小微企业造假动力强，基础数据都难以确保真实性。目前小微企业还是以抵押贷款、法人贷款、供应链融资为主，信用贷主要还是依靠IPC方式通过线下业务员重制报表实现。电商类企业的风控模型基本上是根据流水的比例来。

三、资产包风控模型

上述都是基于单笔资产的方法论，但是从资产包层面的风控有不同的考虑。

假设还款是1，逾期是0，不同的客户有不同的表现：

A：1111111111B：0000000000C：0011011101

A是好人，B是坏人，这两个问题没有异议。很多时候，基于前两种模型我们会认为C是坏人，但是从资产包层面，他提供了不菲的罚息收益。

此外，资产包的风控还要考虑不同资产的相关性，考虑优先劣后配比后的预期风险改变，考虑流动性的风险。

四、目前的市场格局和问题

第一个问题，长尾征信公司的价值。

放贷市场是碎片化的，但是征信服务提供商有规模效应，应当是集中的。也就是百融同盾两家争天下，芝麻信用、腾讯信用作为两个数据库对外输出和输入数据。

我搞不懂，在one or zero的市场环境下，为什么现在冒出那么多小的征信公司，还拿到融资，商业价值在哪里？尤其是像某些单一数据源的征信公司，我感觉被收购的价值都没有，大公司不如坐等你死然后收编团队？这个问题我没有答案，向各位专家请教。

第二个问题，过拟合问题。

信贷是周期性的，大周期小周期一堆。科技也是有周期性的，学生贷火起来，所有公司干学生贷，2年吃完整个市场，其他任何资产都面临创业公司蜂拥而上的局面。

数据量有限的情况下，模型可能过度地学习训练数据中的细节和噪音，以至于模型在新的数据上表现很差，这意味着训练数据中的噪音或者随机波动也被当做概念被模型学习了。而这件事，在市场环境发生变化之前可能没有任何人知道。

第三个问题，系统性风险。

目前大数据风控应用最广的是小额现金贷，因为他的数据反馈快（30天一反馈），因此比较容易做机器学习。市场上所有现金贷看下来，坏账率约为4-8%，都是一开始8%或者更高，通过机器学习降低到4%左右。但这个数据其实意义不大，依然无法反驳复贷的担忧：现金贷的借款人重复借款，本质上每个借款人都成为一个小的庞氏骗局池。就像当初和泛亚一起玩的经纪公司都盈利，但是最后还是免不了崩盘，过度相信科技和数据也许是金融领域更大的风险。

（编辑：温州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!