金融科技与改善风险管理

金融科技与改善风险管理

一金融科技在风险管理领域的应用趋势

本部分的主要内容为2018年金融科技风险管理市场情况总结及分析，通过回顾过去，从而

更好地展望金融科技风险管理未来的发展方向。

（一）金融科技应用于风险管理的基本情况

随着互联网金融市场规模的不断扩大，从业机构的风险管理能力参差不齐，行业风险累积并

集中爆发，大量互联网金融机构开始向金融科技转型。与此同时，央行和监管部门对行业的

监管力度也逐步加大。金融科技在提升金融服务便利性、促进普惠金融发展等方面起到了积

极作用，但以技术驱动金融创新的金融科技并未改变金融的本质，金融活动的信用风险、操

作风险、流动性风险等依然存在，网络安全、信息安全、个人隐私泄露等问题在金融科技领

域十分严峻。目前，大数据、云计算、区块链、人工智能等技术快速发展并在金融科技领域

的产品创新和风险管理方面深入应用，这给金融科技风险管理带来了机遇，但也带来了新的

挑战。金融科技呈多技术融合的发展趋势，日渐成熟的人工智能技术是金融科技风险管理实

践中的核心技术，整个金融科技风险管理行业的发展脉络逐渐清晰，少数技术实力强、研发

投入早、持续投入大的企业通过构筑技术壁垒，逐步占据了主要市场。

1.金融科技呈多技术融合发展的趋势

经过野蛮爆发式增长的互联网金融行业风险陆续爆发，规范发展成为互联网金融发展的主旋

律，国务院也及时启动互联网金融风险专项整治工作，让互联网金融进入规范稳健发展的阶

段。2018年，互联网金融的发展方向出现转折，行业巨头纷纷“去金融化”，强化科技属

性，突出金融科技，变身为向传统金融机构输出技术的服务商。与此同时，传统金融机构成

立佥融科技子公司，对外输出技术。机器学习、语音识别、声纹识别等人工智能技术也己在

金融反欺诈、智能信审、智能催收等金融科技风险管理相关领域取得了良好的应用效果。金

融科技融合也被广泛应用于金融产品差异化定价、智能营销和客服、智能研究和投资、高效

支付清算等业务发展场景。金融科技呈多技术、跨行业融合发展之势。

新一轮科技革命和产'也革命蓬勃兴起，大数据、云计算、人工智能等现代信息技术与经济社

会深度融合，对社会经济的各个方面都产生了深远影响，利用金融科技解决监管科技化、智

能化问题是监管科技从理论研究到实践落地的目标。就监管而言，监管机构在金融科技领域

的发展是滞后的。监管科技提出运用技术的力量重构监管机制，如利用大数据、机器学习、

区块链等技术手段进行实时监控，审查金融风险，确保资产交易安全，提高反洗钱、反欺诈

的效率和效益，降低合规成本，营造良好稳健的金融发展环境，在合规、风控、稽查等领域

尝试新的技术应用手段。

2.人工智能成为金融科技风险管理体系的技术核心

随着人工智能技术的积累以及各行业对新技术应用投入的加大，人工智能在金融科技领域的

应用实现了快速发展。金融科技公司、商业银行、互联网企业大多建立了基于人工智能的产

品和风控体系，并且取得了很好的应用效果。人工智能已成为互联网企业、商业银行和第三

方风险管理服务提供机构必须掌握的•种核心技术。在金融科技领域，人工智能无论是在智

能决策、算法建模、智能营销、智能催收、智能信审等环节，还是在线下网点优化（网点无

人化、智能化将是必然趋势）、线上服务体验（如集成了多种智能服务App和电子银行）环

节都有广泛的应用。互联网金融行业风险在规模效应累积下进一步放大并集中爆发，数百家

互联网金融机构“暴雷”，信用风险成为金融科技行业的主要风险，加强金融科技风险管理

成为央行、监管当局、行业协会对金融科技行业加强监管和自律管理的重要手段，人工智能

在佥融科技风险管理体系中扮演着非常重要的角色。大数据时代信用风险管理体系是通过传

统的商业智能工具来分析金融机构内部结构化数据，以及央行征信数据（结构化数据）的，

利用人工智能算法（如自然语言处理）来解析各种与信用风险相关的外部非结构化数据。如

根据司法涉诉数据（法院司法网站）、工商数据、授权媒体的舆情数据等统一进行风险建

模，达到了提前预判和阻止不良贷款产生的效果。

基于大数据的金融科技信用风险管理系统仅仅依靠传统的单一机构内部数据和央行征信数据

是远远不够的，要在大量非结构化外部数据中挑选出不涉及任何隐私的数据，找到与信用风

险相关的数据源，并利用网络深度学习的方法搭建人工智能平台，对海量1F结构化外部数据

进行处理。依赖一个强大的人工智能平台，内外部的异构数据可以集中统一地参与到建模之

中，建立一套完整的、全生命周期的新一代信用风险管理体系。

3.金融科技行业风险管理技术优势壁垒逐步构筑

随着金融科技进入规范发展的阶段，互联网金融用户规模持续扩大，网络信贷和理财的客户

群基数已累积较大且呈增长态势，银行和互联网企业在金融科技中仍有较大的想象空间和试

验机会。新兴技术在创新应用中快速发展并逐渐成熟，应用解决方案逐渐与场景结合，市场

认可度稳步提升，成功案例逐渐增多，商业银行应用大数据、人工智能等开展金融产品和服

务创新成为金融科技新的主要战场。2018年银行在场景金融方面加快创新合作，在电子商

务平台、社区银行、移动生活服务、加油站金融、汽车金融、机场金融等方面选择与互联

网、新零售、房地产、能源、制造、出行等行业进行深度跨界合作。新技术、新业务的创新

发展伴随着未知风险的产生，业务风险、技术风险的防范和管理对仍未建立起良好的基础设

施，尤其是技术能力成熟度不够的机构来说是不可控的，这对金融科技业务的创新发展是致

命的。

（二）2018年中国金融科技风险管理市场结构

2018年金融科技行业风险管理服务市场发展迅速，据不完全统计，市场上有近千家金融科

技风险管理公司，但是市场分布符合二八原则，少数几家头部企业的行业覆盖面广、应用服

务能力强、市场认可度高、合作深入，且发展势头更强劲。基于大数据的智能风险管理基本

包括决策引擎、大数据平台、流计算平台、机器学习平台、图计算平台，无论是自上而下的

“应用到平台”模式，还是自下而上的“平台到应用”模式，从底层的大数据基础技术建

设，到上层的数据仓库、智能决策、用户画像、反欺诈、信贷风控、精准营销、客户关系管

理等应用，这些风险管理服务机构的基础产品和服务需要在大数据、云计算、人工智能等领

域有更多的研发投入，以提供更高效、更安全的风险管理服务。

大数据和人工智能已成为风险管理的核心技术，其基本逻辑是通过在深度学习和数据挖掘中

进行自我更新、自我调整和自我迭代，进而从更多维度的大数据中挖掘风险规律。机器学习

要解决的问题主要是模型构建和训练、性能监控与自迭代等，包括深度学习、半监督学习、

在线学习等技术，其核心都是为了将互联网级别的机器学习技术“降维”应用到金融科技风

险管理领域。在复杂数据的大型风控场景中，运用基于深度学习的人工智能特征生成框架，

对时序、文本、影像等互联网行为以及非结构化数据深层特征进行加工提取，大大提升了模

型效果。通过对不同类型的数据采用不同的机器学习模型进行处理，采用复杂集成模型也可

以处理上千维度的弱变量，精准地估计金融场景中的违约风险，有效提高风控模型与数据的

匹配度。在解决模型人工迭代慢的问题匕人工智能通过对模型的特征性能、借贷群体和业

务反馈等进行监控，能够有效实现快速自迭代，可加快风控模型的迭代速度。在欺诈风险识

别方面，无监督机器学习模型可基于所观察到的交易特征变量和案件数据，学习和识别用户

行为模式异常，识别欺诈风险。

下面主要从金融风控参与方（部分头部企业）的角度进行分析，总结2018年中国金融科技

风险管理市场结构。

1.互联网型金融科技公司

以百度旗下金融科技公司度小满为例。度小满（原百度金融）提供面向大众的个人消费信贷

服务，打造创新消费信贷模式。2018年4月，百度金融启用全新品牌“度小满金融”，实

现独立运营。度小满金融依托金融大脑（金融大脑整体解决方案中的人工智能引擎融合了人

脸识别、活体验证、文字识别、语音识别、自然语言处理、语音合成等能力，为金融机构提

供“一站式”人工智能大脑服务，打造未来金融机构与客户的智能交互新形态）提供反欺诈

产品、信用产品、验证类产品、智能催收类产品，现已为部分银行及非银行客户提供金融风

控服务。

相较于银行系金融科技公司，互联网型金融科技公司具有管理机制更灵活、技术能力更强的

优势。互联网型金融科技公司也涉及金融业务，这会促使其加强对金融业务的理解，此类公

司在为其他金融公司提供服务时，应重点关注数据安全层面及业务数据保护方面。

2.银行系金融科技公司

早在2015年12月，平安集团就成立了金融科技子公司一一金融壹账通，但是传统金融公司

高度重视并成立大批金融科技子公司是在2018年。综观18家全国性银行（5家国有银行”

家邮政储蓄银行+12家股份制银行）2018年的表现，提升金融科技能力、加速金融科技落地

应用，成为18家全国性银行的优先级战略。

据不完全统计，2018年银行系金融科技公司主要有建信金科（2018年4月18口，中国建设

银行成立「全资金融科技子公司一一建信金融科技有限责任公司，成为五大国有银行中首家

成立金融科技子公司的银行）、民生科技（2018年5月15日，民生科技有限公司宣布成

立，该公司承担着金融创新的重任，是民生科技金融银行建设的先锋队和主力军）、中银慧

投（2018年4月19日，中国银夕亍在北京召开发布会，宣布推出智能投资顾问产品一一“中

银慧投”，依托人工智能和大数据技术，面向广大用户提供个性化的资产配置服务）。

18家全国性银行在金融科技风控领域的探索将为更多的城市商业银行、农村商业银行以及

其他类型的金融公司输出更多的风控解决方案。相较于互联网型金融科技公司，银行系金融

科技公司具有贴近银行业务、品牌知名度高的优势。

3.智能分析决策公司

在智能风控市场中，智能分析决策公司成为重要的新兴力量。例如，同盾科技的战略理念，

从多年前的“联防联控”到2017年提出的“智能分析即服务”（AnalysisasaService,

AaaS）,2018年获得进一步发展。图14T为同盾科技构建的从底层技术层到最终提供给金

融公司的服务概览。

行业场景［银行］［持牌消金］［保险］［汽车金融］「新金融

实施服务（SaaS云服务）（私有云服务一智・御1

解决方案反欺诈服务一智-安信贷风控服务一智-信同户增长服务一灵・析）

核心技术［人工智能］大数据云计算

大数据平台

基础平台

一方数据/公开数据/三方数据

图14T“人工智能+大数据”双轮驱动，提供场景化智能决策服务

4.征信企业

国内征信企业的智能风控管理能力也令人瞩目。例如，2018年百行征信有限公司在深圳开

业揭牌，掀开了中国征信行业的新篇章。百行征信主要采集个人和企业的借贷及担保信息、

个人负债信息等，为依法开展放贷业务的市场主体和其他主体提供征信服务，与央行征信中

心形成“错位发展、功能互补”的市场格局，在全社会范围内实现个人征信服务的覆盖。目

前百行征信官网显示暂为测试版本，期待未来可以发挥其技术数据等优势，为金融公司助

力。

二金融科技在金融领域的应用案例

卜面列举金融科技在智能营销、欺诈识别、授信评分等业务发展场景中的具体案例，分析在

保险、电商、020等领域金融科技对金融机构、金融服务提供方式造成的重大影响。

（一）在保险领域的应用

1.沉默客户激活案例

无论是新兴行业还是传统行'业，流量时代已过，移动互联网进入下半场，营销获客问题更加

凸显，各行各业都面临拉新难、转化低的问题。因此，数据导向下的精准营销越•来越被企业

接受和认可，企业更加关注营销中的个性化和差异化，追求千人千面的营销方案，通过技术

基础之上的营销，最大限度地摊薄成本，设计并推送各种营销方案给消费者，实现精准营

销。

以C端用户为中心，基于海量数据库资源，通过对数据进行分析处理、建立营销兴趣模型

等，对客户进行精准的剖析定位，以用户需求为导向，同盾科技能够在合适的时间向合适的

人群推荐合适的产品，实现了企、也效益最大化。

例如，某大型金融保险公司有沉默客户超过3000万人，利用同盾科技沉默客户激活产品，

通过同盾科技数据库和标签体系以及数据分析和建模能力，成功激活自有存量沉默客户，修

复成功率达50%以上，并且补全了多维度的行为标签，丰富了保险客户的画像，促使该公司

的营销转化率达到30%以上。同时，筛选出信用欺诈和黑产用户，成功降低了营销成本，增

加了收入。

传统营销领域近20年来营销思维的革命性变化是从“以产品为中心”转变为“以用户为中

心”，而场景式营销是在“以用户为中心”基础之上的再次飞跃。在消费这个层面，移动互

联网带给人们的革命性影响主要是消费场景的变化，用户可以随时随地在各种网站、Apph

消费。与同盾科技合作的B端企'也平台超过10000家，其中包括保险、电商、社交、旅游、

母婴、教育等各个行业场景，同盾科技可以基于场景属性、人群特征和产品进行业务撮合。

例如，某大型社交平台与同盾科技合作，利用同盾科技的营销和数据分析能力，撮合社交平

台和金融产品，对已有的4000万以上用户进行联合运营，通过对用户进行实时监控分析，

对运营方案进行优化调整，某金融产品上线仅6个月，点击率便高达37.9%,转化率达到

20.8%,使社交平台和金融企业实现了双麻。

2.保后监控案例

支持发展消费信贷，大力发展普惠金融，加大金融对实体经济扶持力度的信号越来越强，未

来信贷市场空间仍然非常大。随着监管的逐步规范，以及大数据应用和征信行业的发展，保

险企业的信保业务将更加规范，风险逐步降低，信用保证保险将迎来极大的发展空间。对于

开展信保业务的保险公司来说，承保后对存量的信贷资产进行风险监控，根据监控到的风险

及时做出相应调整，不断优化信保业务，可以提前预防项目风险。

例如，某大型财险公司采用同盾科技保后监控服务方案，引入严格的监控机制，强化日常细

节管理，对承保后的信贷资产进行多方位的监控。首先，对资产人群的稳定性进行监控，如

资产人群是否从而收入的中青年转变为收入水平较低的青年人，资产人群的不稳定可能会带

来不可控的风险，需要及早关注。其次，从智信分、名单、多头等角度出发，观察资产质量

的变化情况，以及资产在行.业中的分布情况。当资产质量恶化或者在行业中处于下游水平

时，需要注意控制风险。最后，持续预测己承保资产的赔付率变化趋势，做到风险可控。同

盾科技保险赔付监测风险平台情况见图14-2。

贷款数据赔付率预测

—实际赔付率一2018年1月预测赔付率

2018年2月预测赔付率----2018年3月预测赔付率

-2018年4月预测赔付率2018年5月预测赔付率

图14-2同盾科技保险赔付监测风险平台情况

当前我国金融服务与金融科技正快速融合，降低了服务成本，使服务更加智能、便捷、高

效，弥补了传统金融模式的短板。也有少数机构和从业人员利用互联网金融手段牟取暴利,

存在诈骗等违法违规行为，扰乱了金融市场秩序，增大了金融风险，最终也损害了群众利

益。

（二）在电商领域的应用

1.案例背景：电商促销案例

国内某知名电商在“6・18”大促期间发起不同形式的满减活动（见图14-3）o用户只需使

用优惠券，便可购买对应类型的优惠商品。

6.16-6.20

■树像■等超修月蝴牌

*30*20*50

满200使用满10015用满25雎用

每天10点抢特例品除外特例品除外

1元购券.L点击领取概点击领取

悭14-3某电商平台活动宣传页

以往针对机器或脚本的自动抢券行为，平台可以通过检测设备环境和操作行为来识别。既然

“机器”行为被拦截，黑产就反其道而行之，通过“人工”形式来获利。

近年来，同盾科技发现黑产开始通过众包代下单形式廨羊毛，即在社交平台上发布任务（完

成任务有返现），让这些群体在不触碰风控底线的情况下购买优惠商品，再将所购商品寄送

到集中地址，收货者通过倒买倒卖赚取差价，或买卖双方串通刷单来套取平台优惠。而领取

到优惠的账户此后便不再活跃，对平台拉新和激活用户没有任何帮助。

2.解决方案和效果

在风控领域，地址包含的信息对反欺诈来说十分有价值，但目前很多平台对地址的使用仅停

留在比较浅的阶段，只能通过最基础的人工审核来识别，随着平分业务量的增大，黑产的变

化手段越来越多，地址的变异速度越来越快，通过简单的识别手段已很难奏效。

同盾科技地址反欺诈服务通过自然语言处理、机器学习等技术对不同场景下的地址信息进行

深度挖掘，帮助客户和企业识别收货地址中存在暗号、通信小号和虚假地址等特征的代下单

嫄羊毛问题，并给予风险警示。同时，结合己接入同盾科技平台的其他客户数据进行横向比

对和挖掘，对此类团伙的行为特征进行聚类分析，发掘关联团伙并对其危险性进行打分，帮

助企业进行判断识别。

经事后复盘分析，在客户活动的近3天时间里，通过提供地址反欺诈服务，同盾科技共帮助

客户发现异常订单2万余单，涉案金额达800多万元，按照黑产每单赚取40%〜50%的利润

来计算，至少为平台避免了400万元的经济损失。其中，Web端为重灾区，发现近1.7万

单，占代下单总数的85%以上；安卓系统次之，有近3000单，约占15%；iOS系统很少，可

忽略不计。

3.事后总结

在日常运营活动中，这类问题并不少见。电商平台需要填写收货地址，020平台需要填写订

单地址，金融卡片寄送机构等有明确物流信息的平台需要填写卡寄地址……这些平台只要举

办营销活动，一般都会遇到诸如代下单、刷单炒信和虚假地址寄送等问题。这类行为会严重

影响平台的正常运营秩序，导致客户流失，损害平台声誉。

（三）在020领域的应用

1.某品牌咖啡

咖啡作为一种大众的社交饮品，越来越受国人的喜爱。2018年各大品牌咖啡运用互联网营

销手段，不惜花费巨资，开展获客大作战。某咖啡作为新兴品牌，为了迅速抢占市场，在

2018年大力开展各类营销活动。营销手段主要有：注册即免费获得一杯咖啡；消费成功

后，将邀请好友的URL或二维码分享到朋友圈，邀请的好友被拉新，享受新人优惠，邀请人

也同样享受下次消费的优惠。

然而，该品牌咖啡在全面推广其业务的同时，也引发了一系列问题，导致该品牌咖啡业务上

线仅9个月，亏损就超过8亿元。该品牌咖啡负责人表示，全年的亏损远大于这个数字。

之所以会出现亏损，极有可能是因为营销活动被黑产嫄羊毛，本该让利给消费者的营销活动

反而被黑产嫄走。具体欺诈过程如下。

首先，黑产囤积大量虚假手机号、虚拟小号，准备在各大平台进行欺诈交易（见图14-

4）

悭14-4控制众多虚拟号码卡机

其次，通过打码、接码平台自动接收平台发送的短信验证码，完成批量垃圾注册，注册成功

即可获得一杯免费咖啡。

再次，黑产通过设备农场、机器脚本、人肉众包等方式，批量完成用户的裂变。

最后，黑产将在该品牌咖啡处前来的优惠券，通过互联网等其他渠道进行变现，即完成了整

个套利的过程。

该咖啡平台2018年底接入同盾科技反欺诈风控服务，主要包括注册、登录和营销场景的监

控。在注册场景帮助其识别垃圾注册、虚假注册，在登录场景帮助其识别拖库撞库、盗号、

有优惠券账号交易，在营销场景帮助其识别刷券和孺羊毛操作。一天可为该平台拦截欺诈损

失3万元，一个月节省近百万元的营销费用。

2.某网约车出行平台

（1）案例背景

该网约车出行平台成立于2012年，是国内领先的“一站式”移动出行平台。其核心业务包

含出租车、快车、专车、豪华车、公交车、代驾、共享等多元化的出行和运输服务。迄今已

有5.5亿用户以及超过3100万司机选择使用该软件出行。该平台作为网约车行业的领军

者，在本土市场占据主导地位，拥有数亿用户。然而，2018年发生的两起司机恶性犯罪事

件，暴露了严重的安全险患问题，也面临用户流失等多项挑战。因此，迅速采取措施，提升

用户信赖度，保障出行安全刻不容缓。其中，核验司机身份背景，杜绝源头隐患，成为该平

台此次安全升级的重中之重。

（2）解决方案

该平台拥有庞大的司机群体，传统背调产品耗时长、效率低下、不具有针对性等问题，难以

满足平台特殊的背景需求。针对司机群体，拥有一套完善的策略规则，可以全方位地核查司

机风险，尤其是公安、信贷等不良记录。

在社会舆论压力以及强监管的要求下，同盾科技与该平台合作，定制化打造了贴合其业务需

求的“一站式”解决方案。平台借助职信查自定义版本中的名单类、多头类、行为类等规

则，联合同盾科技其他产品，增加核验维度，细化核验内容，不仅全方位核查司机背景，大

大提升了员工质量，而且涵盖了平台的多元化业务范围，为企业品牌的整体安全提升奠定了

基础。

（3）业务成果

该网约车出行平台的决策结果、多头借贷/多头申请命中情况、不良信用记录命中情况、公

检法信息命中情况见图14-5至图14-8。

图IK6多头借贷/多头申请命中情况

注：数据统计范围从对接日期至2018年11月30日。

图14-8公检法信息命中情况

3.某网络科技公司

（1）案例背景

该网络科技公司是一家成立不久的新兴企业，以区块链技术重新定义了用户和平台的关系,

最大限度地保障了平台的安全性与公益性。

(2)客户挑战

该网络科技公司作为一个新兴企业，其业务处于发展初期，缺乏成熟的风控能力，自己无法

核查区分司机的质量，这不仅难以保证平台的安全性，而且会影响企业拓展市场的进度。此

外，复杂的风控技术与高昂的开发成本也令公司望而却步。公司希望依托一款产品打破僵

局。

(3)解决方案

职信杏拥有海景的数据名单和完善的风控模型，能为初创企业有效核告风险提供可靠的决策

建议。职信查与以拉平台合作，结合业务特点，并嵌入业务流程中，通过司机准入这一环

节，重点核查身份信息、公检法信息、不良信用、多头申请等风险信息，有效排除了高风险

人群，提升了以拉平台的质量。

职信查针对核查用户，进行智能风险分析，并输出准入决策建议，作为以拉平台最终核定意

见的直接依据。

(4)业务成果

该网络科技公司的决策结果、多头借贷/多头申请命中情况、不良信用记录命中情况、公检

法信息命中情况见图14-9至图14-12o

94.08

~90

80

70

60

50

40

30

20

102.163.75

0

通过审核拒绝

图14-9决策结果

图14T0多头借贷/多头申请命中情况

4.某消费金融公司

(1)企业背景

该消费金融公司创立于2014年，是中国领先的消费金融品牌，以发展普惠金融为己任，利

用线下消费场景积累的海量用户数据，依托大数据风控的技术优势，为年轻时尚人群提供便

捷的金融服务。

(2)客户挑战

该消费金融公司经过3年的发展，业务覆盖全国200多个城市。随着业务的快速增长，员工

的需求也在不断增大。为了满足其增长需求，该消费金融公司需要一个快速且安全的员工背

调方案，经济高效地支持公司大量招人计划。

(3)解决方案

职信查利用大数据技术，全方位地核查用户风险，并实时快速返回准入建议，省时高效地满

足了公司业务需求。

该消费金融公司关注员工不良信用、多头借贷等因素，职信查在充分考虑需求后，为公司适

当调整风控策略，并采用自定义版本，通过职信查出色的核验能力，有效筛选不良用户，帮

助公司完成了大量复杂的员工背调工作，为其业务发展提供了便利条件。该公司也对职信查

给予了高度评价。

(4)业务成果

该消费金融公司的决策结果、多头借贷/多头申请情况见图1473、表14T。

表14-1多头借贷/多头申请情况

规则名称占比（%）

新3个月内身份证和手机去重后在其他平台

14.625

借款次数过多

3个月内身份证在全局多个平台的借款次数13.868

3个月内手机在全局多个平台的借款次数11.599

新1个月内身份证和手机去重后在其他平台

9.775

借款次数过多

新一3个月内申请人身份证或手机在多个平台

9.463

申请借款

3个月内身份证借款平台数8.870

3个月内手机借款平台数6.586

新」个月内申请人身份证或手机在多个平台

4.598

申请借款

新」天内身份证和手机去重后在其他平台借

4.094

款次数过多

新一3个月内身份证关联多个申请信息1.824

新_7天内申请人身份证或手机在多个平台申

1.187

请借款

新」天内身份证和手机去重后在其他平台借1.023

款次数过多

新_3个月内申请信息关联多个身份证0.326

3个月内在全局手机使用多个身份证进行借款0.163

新」天内申请人身份证或手机在多个平台申

0.163

请借款

注：数据统计范围从对接日期至2018年11月30日。

Excel下载

表147多头信贷/多头申请情况

三金融科技与风险管理发展展望

科技在助力金融模式创新的同时，也为金融风险管理保驾护航。下面主要介绍目前在金融风

险管理领域起到重要作用的大数据和人工智能技术，期待相关技术不断完善。

（一）大数据在金融风控领域的应用

Gartner对大数据做出如下定义：大数据是指数据量大、变化速度快和/或高度多样性的信

息资产，这些信息资产需要新型的处理方式来强化决策制度、洞察发现和处理优化。目前

“天数据”是区别于“小数据”而言的，大数据并非特指数据量大，而是相较于传统的结构

化的小数据而言的，大数据也包括非结构性数据。

伴随互联网金融的快速发展，金融变量数据在数量和本质上都发生了巨大的变化，使数据信

息的应用有了质的飞跃，促进了金融风险管理方式的变化和度量方法的改进。

1.大数据助力金融机构进行信用风险评估

目前国内很多金融类企业通过大数据来驱动业务运营，大大提升了金融风险管理效率，降低

了风险，实现了业务利润最大化。如在银行针对中小企业贷款的风险评估业务中，银行可通

过企业的销售情况、财务状况等多维度数据，结合大数据挖掘方法，进行贷款风险评估，量

化企业授信额度，在风险可控的情况下更加有效地为企业提供贷款。

2.大数据助力金融机构识别欺诈风险

大数据在金融反欺诈领域的应用十分广泛且有效。以银行为例，银行可以通过大数据整合分

析来识别欺诈交易风险。银行可以利用的信息主要包括持卡人基本信息、银行卡基本信息、

交易历史信息，客户进行交易时，银行可以调动所有与持卡人有关的数据信息进行风险情况

的实时判断（具体实现形式有历史行为数据与本次行为数据的对比、历史交易设备信息数据

与本次交易设备信息数据的对比、历史交易偏好数据与本次交易偏好数据的对比等），分析

此次交易是否真实有效，进而做出业务风险判断。

大数据自20世纪80年代首次被提出，到今日已进入爆发期，预计2019年大数据在金融风

控领域将继续发挥重要作用。

（二）人工智能在金融风控领域的应用

2018年众多风控方案提供商输出了人工智能技术应用，人工智能技术被广泛应用于金融业

务场景中，极大地释放了传统人工劳动力，提升了金融业务效率。下面主要介绍人工智能发

展沿革及其底层部分核心技术，以更好地把握其未来与业务场景结合的方向。

笔者将人工智能发展分为三个阶段。第一阶段为人工智能的诞生时期。1956年，在美国达

特茅斯会议上，计算机专家约翰•麦卡锡提出了“人工智能”的概念，这被后人看作人工智

能正式诞生的标志；同年，世界上第一座人工智能实验室一一MITAILAB实验室诞生。第

二阶段为人工智能的初步应用时期。1980年，卡内基梅隆大学为数字设备公司设计了一套

名为XC0N的“专家系统”，该系统采用人工智能程序，在1986年之前每年能够为公司节省

超过4000美元经费。人工智能的工业化应用成为可能。第三阶段为人工智能迎来爆发式发

展的黄金时期。这个时期为201：年至今，之所以说2011年至今为人工智能发展的爆发期，

是因为2011年这项技术被更多的普通大众所了解。2011年IBMWatson系统第一次在“危

机边缘”的节目中打败人类选手，而2016年DcopMind团队开发的AlphaG。击败了韩国围棋

世界冠军李世石，这使人工智能技术一时间声名大噪，让更多的人了解到了人工智能的强

大。从目前人工智能发展的程度看，预计2019年人工智能可以在金融风控领域取得好成

绩。

了解了人工智能的发展历程后，再来介绍人工智能的部分核心技术，探索其在金融科技领域

及风险管理领域的应用。

1.声纹识别

声纹识别（VoiceprintRecognize）也称说话人识别，是一种通过声音判别说话人身份的技

术。声纹识别所提供的安全性可与其他生物识别技术(指纹、掌形和虹膜)相媲美，且只需

要习话和麦克风即可，数据采集极为方便，造价低廉，是一种经济、可靠、简便和安全的身

份识别方式。目前应用较为广泛的声纹识别技术有两类，即说话人辨认和说话人确认。2018

年中国人民银行正式对外发布金融行业标准《移动金融基于声纹识别的安全应用技术规

范》，意味着声纹识别技术得到金融监管部门的认可。

金融行业针对此技术的典型应用如在进行金融交易时通过对交易人声音的识别来确定交易人

是否本人，代替了以往多种信息验证，通过声纹识别大大简化了验证流程，未来声纹识别技

术必定会在金融风控领域发挥越来越重要的作用。

2.语音合成

语■&合成(Text