金融作為現代經濟的核心，其風險的積累與爆發所形成的金融危機，已經成為引發經濟危機的直接原因。2008年爆發的金融危機及隨後發生的歐債危機，使得金融風險迅速成為人們關注的焦點。

隨著互聯網和通信技術的高速發展，互聯網金融已經成為當前社會最熱門的話題。目前互聯網金融已經滲透到人們衣、食、住、行的方方面面，包含支付、理財、眾籌、消費等功能的各類互聯網金融產品和平臺層出不窮。

互聯網金融是傳統金融與「互聯網+」相結合的產物，因此它的健康發展也要遵循金融業的基本規律和需求，其核心仍是風險控制。

風控是傳統金融機構的關鍵競爭力

風險是金融機構業務固有特性，與金融機構相伴而生。金融機構就是生產金融產品、提供金融服務、幫助客戶分擔風險同時能夠有效管理自身風險以獲利的機構，金融機構盈利的來源就是承擔風險的風險溢價。

金融機構中常見的6種風險：市場風險、信用風險、流動性風險、操作風險、聲譽風險及法律風險。其中最主要的是市場風險和信用風險。

1) 市場風險：包括利率風險、匯率風險、股票價格風險及商品價格風險。主要指市場波動而使得投資者不能獲得預期收益的風險。

2) 信用風險：即交易對手不能完全履行合同造成的風險。包括貸款、掉期、期權及在結算過程中的交易對手違約帶來損失的風險。

決定一家金融機構競爭力高低的關鍵，是其能否有效地對風險進行全面管理，建立良好的風險管理體系，以良好的風險定價策略獲得利潤，即金融風控。

互聯網金融出現新風險

互聯網金融是傳統金融與互聯網技術和信息通信技術有機融合，依託於大數據、雲計算、人工智慧等新技術，實現資金融通、支付和信息中介等業務的新興金融業務，其主要業務類型有網路借貸、移動支付、理財、眾籌及保險等。

隨著互聯網金融業務的急劇擴張及金融創新產品的不斷湧現，互聯網金融從多個方面暴露了大量的風險。主要風險包括：信用違約和欺詐風險、消費者權益被侵犯風險、互聯網技術風險、資金流動風險、法律風險及政策與監管風險等，主要體現在以下三個方面：

1) 傳統金融行業風險並沒有消失，信用風險、流動性風險、法律合規風險、操作風險等同樣存在。

2) 互聯網金融又有自己獨特的風險，比如：終端安全風險、平臺安全風險、網路安全風險等。

3) 互聯網金融往往小額而分散，且受眾人羣較為廣泛，一旦出現風險，社會影響巨大。

互聯網風控的應用場景

隨著互聯網金融消費場景的日益繁多，消費羣體的逐漸壯大，互聯網金融風控在P2P網貸、支付、理財等多個領域得到了高度的重視，在徵信評估、反欺詐、預警監控方面得到了很好的應用：

1) 徵信評估：在業務發生前，依據廣泛收集的數據，利用大數據、人工智慧等先進技術，藉助互聯網金融企業建立的風控模型，為企業自身或其他金融相關企業提供快速、準確徵信評估服務;

2) 反欺詐服務：在業務發生過程中，通過對用戶賬戶、營銷及交易的實時監控與識別，及時、快速、準確的識別非正常交易，最大限度的避免和減少欺詐行為給企業和用戶帶來的損失;

3) 監控預警：在業務發生後，持續的對用戶進行信用預警和貸後監控，及時發現用戶的信用惡化及其他金融風險，實現對金融的風險態勢感知。

互聯網金融五大常用技術風控手段

互聯網金融風控與傳統金融風控的一個重要區別在於大數據的應用更加廣泛。除了傳統的徵信信息之外，互聯網金融企業常用的數據獲取以及風控手段還有：

1) 生物特徵識別技術

生物特徵識別技術，即人臉識別、語音識別以及不限於圖像、語音、觸摸和身體語言識別的生物特徵識別技術。

利用人臉識別技術將採集的照片與已存照片、身份證照片進行比對並提供人臉相似值，風控人員可根據相似值的高低判斷是否直接通過或進行人工審核。

同時，也可以通過人臉聯網覈查，將採集的照片與公安部已存的身份證照片進行比對、覈查，更客觀、科學的實現「人證合一」，降低「肉眼」觀察的主觀意識和失誤辨認。

此外，語音識別、指紋識別及圖像識別的技術也可以幫助風控人員進行風控判斷，提高風控水平。

2) 機器學習技術

機器學習是把人類思考歸納經驗的過程轉化為計算機對數據處理計算模型的過程。

反欺詐應用：與傳統金融風控依賴複雜且嚴格的規章制度進行欺詐識別不同，互聯網金融風控使用機器學習技術，能夠積極的學習並識別特殊或異常行為對其進行標註識別。

信用預測：機器學習演算法能夠根據數百萬消費者案例數據，如：資產、履約、身份、偏好、社會關係及借貸情況等進行開發和訓練，利用演算法評估預測用戶是否會違約、是否會按時歸還貸款等。對貸中的借款人還貸能力進行實時監控，以及時對後續可能無法還貸的人進行事前的幹預，從而減少因壞賬而帶來的損失。

3) NLP技術

自然語言處理技術，引入新聞、政策及社交網路中的非結構化數據，進行結構化處理後，運用於風控與徵信評估。

在新金融風控場景中，諸如個人及企業在其主頁、社交媒體等數據蘊含著與違約風險深度關聯的深層含義，而通過傳統方式很難充分挖掘其風險價值。

自然語言處理技術，通過複雜的詞向量模型將文本轉化為計算機能夠識別和計算的詞向量表徵，並基於深度學習技術對其進行特徵提取，最終運用成熟的分類器網路將文本數據與違約風險實現高度的風險掛鉤。

4)爬蟲技術

爬蟲(web crawler)是一種專門的程序，用於在互聯網上自動抓取內容。爬蟲技術主要用於個人徵信評估、關係圖譜及風險分析等方向。

由於個人隱私的原因，我們無法得到一個人的全方位數據，只能截取其中的一個或幾個片面(交易紀錄，信用卡信息等)。而爬蟲技術正式補充數據信息的利器， 比如，有許多專門曝光騙子老賴的網站，也有許多騙子在一些社交網站上發布信息。針對這些曝光的數據，利用爬蟲技術清洗轉換後，就能輔助個人信用評估。

此外，物以類聚，人與羣分。通過爬蟲爬取各大社交網站數據，建立人物關係網路，通過關係網對個人進行信用評價。

5) ID-Mapping技術

ID-Mapping能把碎片化的數據全部串聯起來，消除數據孤島，提供一個用戶的完整信息視圖，有利於對用戶進行個人風險評估。

ID-Mapping技術可以用在跨屏、跨設備跟蹤，將一個用戶的手機、PC、平板等設備的上的行為信息串聯到一起，充分聚合個人身份及行為信息。

在「互聯網金融合規管理元年」的2016年，隨著國家對互聯網金融的全面監管，互聯網金融從「野蠻生長」進入了「規範化」階段。

無論是傳統金融，還是互聯網金融，加強風險控制，建立完善的信用評估體系與防控機制，對存在的信用違約和欺詐風險、消費者權益被侵犯風險、互聯網技術風險、資金流動風險、法律風險及政策與監管風險進行控制，最終實現企業內控、政府監管及行業自律的生態發展。

來源|CSDN博客

推薦閱讀：

相關文章