2020，科技构建零售信贷风险管理体系新思路，《中国银行业》第6期

2020，机器学习模型管理与在线服务平台，科技成果

2017，基于人工智能的零售贷后量化风控解决方案，科技成果

2012，中国民生银行基于数据挖掘技术的高端客户流失风险预测研究，科技成果

一、基于人工智能的可进化风控体系解决方案

（一）数据驱动银行业风控变革

      （一）银行业面临的经营困局。近年来经济进入新常态、利差空间收窄、新资本协议推行，以及互联网金融介入导致的泛同业竞争加剧，这些外在变化导致了银行业经营压力持续增大，商业银行的传统经营及管理模式已开始显得力不从心。（二）银行业的零售风控现状。银行业的零售风控现状首先表现在风控理念陈旧，风险偏好审慎，不能适应时代的变化。其次，中国银行业存在工具错位应用的状况，普遍将内评模型应用于风控实务中，而内评模型一般多采用上世纪FICO公司的评分卡方案，考察风险的信息维度少，过度依赖征信中的历史信用数据，风险知识（模型）加工欠缺深度，效果可优化空间很大。（三）风控的发展趋势。风控技术的传统方案与新兴方案相比，虽然二者在出现时间上有先后顺序，但现在是处于并行存在的发展状态。传统方案的价值所在是对流程的重塑与标准化。新兴方案则是数据驱动型，通过数据与算法，能够非常快速地总结风险模式并提供有效的风险防护。

（二）全力打造零售新风控能力

      （一）贷后预警赋能。针对业界普遍存在的主要依赖专家经验、监测手段滞后、风险管理被动和无差异化策略等零售贷后风险管理问题，2017年民生银行自主研发的“天眼”预警系列模型可以通过前瞻性风险预测和差异化贷后管理，主动退出高风险贷款，闭环持续优化信贷资产质量。（二）贷前准入赋能。在实践普惠金融的过程中，面对下沉客群风险高、信用历史数据少和风险样本有偏等问题，2018年民生银行自主研发出面向下沉消贷客群的准入信用评估方案，该方案采用场景细分模式，通过拒绝推断纠偏，使得模型可服务客群覆盖面更广，风险区分度更好,与行内在线服役的消贷A卡模型相比，本方案中模型的风险区分度有17个点的提升，风险区分度优势显著。

（三）量化新风控体系建设规划

      （一）风控本质解读。通过信息加工出相应的风险知识，风险知识需要被不停地迭代，这样的风控，相较于静态的风控，才是有生命力、有效果的。只有通过科学的机制维持风险知识的新陈代谢，才能持续为零售信贷资产业务保驾护航。（二）自进化风控体系规划。Cybernetics引擎层可以对信审流程体系中各模块（其内运行着风险知识）进行“体检”，如果某个模块出现了问题，Cybernetics引擎层会将信号反馈到模型实验室促使相应风险知识的更新，如此可以使每个模块处于动态的更新机制中，同时也保障了这一套风控体系在运转过程中的“风险”是可控的。（三）全面升级的授信决策流程。在这个授信决策流中，最重要的思想是通过挑战者模型及替代机制使线上模型处于持续高效的运行状态中，以确保信贷业务运行于有效的风险防护下。（四）灵活且精准的授信决策。第一是尽量获取目标客群的相关信息，从而提升风控模型的风险区分度；第二是在决策线上科学地选择目标点。可以看到，在授信决策中，“通过率-违约率曲线”扮演着非常重要的角色，也是新贷款产品展业是否可以成功的关键。

（四）亟待解决的问题与展望

      目前国内银行业建设新风控能力的阻碍主要有三个方面：其一是缺少体系化的数据驱动方法论和支撑工具，其二是缺少科学的实验设计与知识迭代的理念，其三是缺少可支撑试错迭代的制度环境与配套机制。因此，新风控能力建设需要普及数据驱动风控理念，要有配套支持数据科学实验的技术环境及工具，还要建立复合型人力敏捷组织及相应配套机制。

      来源：《风险管理》杂志2019年第6期

二、银行业逐步迈入信贷风险管理深耕时代

（一）国内零售信贷风险管理现状

      （一）风险管理理念较为陈旧；（二）风险管理工具错位应用；（三）风险管理陷入滞后和被动。

（二）零售信贷风险管理问题成因分析

      对于银行业零售信贷风险管理存在的问题，需要从其本质进行思考。零售信贷风险管理是风险管理人员在管理目标的指引下，通过某些理念、方法论及工具，对信贷生命周期全过程进行干预，以期达成预设目标的活动。那么，我们将从风险管理目标、管理理念、方法论、工具与技术实现等角度进行成因分析。（一）风险管理目标定义模糊；（二）风险管理过程重“形”轻“意”；（三）职能藩篱制约技术红利释放。

（三）民生银行零售信贷风险管理体系的建设实践

      通过对当前银行业信贷风险管理现状的分析和问题诊断，民生银行重新明确零售信贷风险管理目标，厘清信贷风险管理核心逻辑，科学优化信贷风险管理过程，积极打破部门职能藩篱，全力规划统一的智能可进化信贷风险管理体系。（一）明确信贷风险管理目标；（二）厘清信贷风险管理核心逻辑；（三）优化信贷风险管理过程；（四）打造统一的智能可进化信贷风险管理体系。

（四）银行业零售信贷风险管理体系建设的四点建议

      目前地问题其一是缺少体系化的数据驱动方法论和支撑工具；其二是缺少科学的实验设计与知识迭代的理念；其三是缺少可支撑试错迭代的制度环境与配套机制；其四是缺少面向业务目标及全局视角的智能风控解决方案的设计文化。因此，新风控能力的建设需要围绕以下四个方面展开：(1)普及数据驱动风险管理的新理念：数据驱动风控的过程中需要高效地获取相关信息、精准的风险知识加工、应用及反馈后的风险知识更迭。(2)配套支持数据科学实验的技术环境及工具。(3)建立复合型人力敏捷组织及配套相应机制：在保障数据驱动风控的效果上，复合型人力组织为达成业务目标提供了更科学的人力资源配置，相应机制为达成业务目标构建出更适配的考核激励制度。(4)宣培基于全局视角的风控方案设计文化。

      来源：《风险管理》杂志2020年第2期

三、量化新风控：打造零售银行核心竞争力

（一）数据驱动助力银行业变革

      2013年以来，民生银行逐步规划和建设起精准营销、量化风控、精益运管三位一体的数据挖掘模型体系。营销子模型体系能够基于客户营销生命周期，构建面向不同客群、不同产品、不同业务主题的营销模型，以数据驱动实现智能营销；量化风控子模型体系能够构建覆盖各类零售贷款品种及全生命周期的机器学习系列模型，以此实现智能风控；运营管理子模型体系通过各场景模型的研发与应用，实现降本增效。

（二）从信贷端打造新零售银行

      风控领域中的传统统计学习方案采用的是类FICO的方法，即将风险问题投射到低维空间里进行分析，通常其模型较稳定但无法解析复杂风险模式、对数据完整性和有效性要求高。随着大数据及机器学习技术的发展与应用，我们可以借由高阶机器学习技术将风险问题投射到足够高维的空间里进行深入地、透彻地分析。相比于传统统计学习方案，高阶机器学习方案在信息维度和知识加工上都要更胜一筹。它能够完成对风险更精准的识别、制定更灵活的授信策略、实现更优的风险管理效果。

（三）机器学习驱动的量化新风控方案——以民生银行为例

      （一）贷前案例。在贷前阶段，目前银行业普遍存在长尾客群风险高、信用历史数据少、管理体系不完善、风险样本有偏倚等问题。针对这些不足，民生银行自主研发了针对长尾客群线上消贷场景的贷前准入信用评估方案。该方案通过诊断分析现有传统内评方案，积极采用高阶机器学习及多项自主技术，实现了更好的准入风险识别。最终该方案获得了超过传统内评方案近30%的性能优势，并且能够为民生银行提供覆盖范围更广、风险区分更好的贷前准入风险防护。（二）贷后案例。以往零售信贷的贷后管理，通常易出现过度依赖经验、风险监测手段滞后、倾向风险事后统计等问题。传统管理方式较为粗犷、缺少差异化策略，有较大的可优化空间。针对目前的贷后管理现状及问题，民生银行设计出了一套贷后风控解决方案，其主要由模型预测、分级管理、早期预警、主动退出和持续优化五个环节组成。这里，模型预测是基础也是核心，模型对于每笔贷款给出精准的风险预警，结合业务场景完成差异化风险管理，通过主动退出等策略持续压降高风险贷款。该方案通过贷后向贷前的知识性反哺形成了良性闭环，持续优化零售信贷资产质量。

（四）量化风控实践的总结与展望

      一个基础性共识是，银行的核心竞争力是风险管理能力。风险管理本身即是降低不确定性，信息加技术可以很好地用来降低不确定性。在零售信贷业务风控场景中，通过构建新一代的信息基础设施，实现动态摄入信息、动态完成知识加工，可以让风控体系中的知识持续更新、与外界风险及其变化保持同步，这样的风控体系具备了智能化和可进化的属性，可以在与业务共生长的同时，较好的达成业务目标（信贷规模与资产质量均衡下的利润最大化）。

      来源：《风险管理》杂志2020年第5期

四、大数据时代下零售信贷智能风控体系建设的思考

（一）数据驱动下银行业风控升级

      (一)新时代背景下银行业的经营困局。随着中国经济告别两位数的高速增长，以及其他的外部环境的变化，银行业也逐渐地告别过往十几年的高速增长。银行业过往十几年的高速增长所依赖的时代能力已经逐渐消退。银行业目前正处在一个发展的十字路口，掉入了某种坚守传统和变革创新的夹缝当中，而这个矛盾在风险管理领域就显得特别的突出。（二）待浪再起：智能风控变革。我觉得以下4点工作需要去完成：第一，复合型人力敏捷组织及配套机制。第二，明确利润为导向的风险管理理念。第三，数据量化、动态迭代的风控方法。第四，支持数据科学的实验环境及工具。

（二）基于负反馈调节的风控体系

      （一）控制论思想的迁移。具体来说，这种风控体系是一种基于负反馈调节理论的智能风控体系。这也源于我们跨领域地把控制论的一些思想，往银行业的一些风险管理实务上的一次迁移学习。随着普惠金融以及互联网技术的发展，银行信贷业务客群在逐渐下沉，我们线上业务范围也在日渐的增多，随之而来的风险的种类更多，变化也更快。如何保障风险始终可控，而且能够达成刚才我们说的风险管理的终极目标，追求我们信贷业务的利润最大化，是一个重大的问题。控制论当中把这类控制叫什么？叫负反馈调节。我们也是借鉴了这套控制论的名字，在这套风控体系做了应用。那么这套闭环反馈的动态迭代里面，试图打破传统的这种风险管理模式，把利润最大化作为风险管理目标，利用好大数据和人工智能以及各类其他新的信息技术，提升对于风险的识别以及排序的能力。(二)大数据时代下对风控本质的思考。风控 = 信息+知识+迭代。1.相关信息获取。信息是用来降低不确定性的东西。可帮助识别风险模式的信息蕴含于数据中，能获取多少信息决定了风控效果的上限。2.风险知识加工。通过算法加工信息，解构出相关数据要素与风险目标之间的复杂非线性关系，沉淀为可落地应用的风险知识（模型/规则）。3.应用迭代优化。在实操中应用风险知识、检验风险知识并通过闭环反馈持续迭代，完成风险知识的新陈代谢，持续为零售资产业务保驾护航。

（三）智能风控赋能经营管理决策

      (一)零售信贷全流程解决方案。（二）贷前：客户准入策略动态调整。(三)贷中：客户价值进一步提升。（四）贷后：客户风险提前预警。贷款风险的劣化过程其实跟人生病的过程有点相像，人生病一定是从亚健康到小病到大病，最后到不治，是这么一个发展过程。所以针对贷后预警系列模型，我们开发了系列模型。它要完成的就是在贷后的生命周期中，以不同时间窗口作为观察，去看潜在风险，去对它的风险提前做出一个预判，来实现对于风险能够尽早预测，能够做到防患于未然。

      来源：2020（第十六届）中国金融风险经理年度总论坛系列11：智能风控——苟志龙《大数据时代下的智能风控体系实践》