信貸風(fēng)控模型是金融機(jī)構(gòu)風(fēng)險(xiǎn)管理的核心工具，在信貸風(fēng)險(xiǎn)管理工作中扮演著至關(guān)重要的角色。隨著信貸市場的環(huán)境不斷變化，信貸業(yè)務(wù)的風(fēng)險(xiǎn)日趨復(fù)雜化和隱蔽化，開發(fā)和應(yīng)用準(zhǔn)確高效的信貸風(fēng)控模型顯得尤為重要。信貸風(fēng)險(xiǎn)控制面臨著越來越大的挑戰(zhàn)和壓力，也對(duì)風(fēng)控模型的性能提出了更高的要求。

信貸風(fēng)控模型對(duì)信貸業(yè)務(wù)的重要性不言而喻。風(fēng)控模型綜合評(píng)估申請(qǐng)客戶的信用歷史、財(cái)務(wù)狀況以及行為數(shù)據(jù)等維度，進(jìn)行量化分析和建模，以信用評(píng)分的形式量化申請(qǐng)人的逾期風(fēng)險(xiǎn)。擁有可靠的風(fēng)控模型，金融機(jī)構(gòu)便可科學(xué)地量化和管理信貸風(fēng)險(xiǎn)，從而有效控制信貸資產(chǎn)的風(fēng)險(xiǎn)水平，切實(shí)保障機(jī)構(gòu)自身信貸業(yè)務(wù)的穩(wěn)健運(yùn)營。

隨著數(shù)據(jù)科學(xué)和人工智能技術(shù)的不斷發(fā)展，信貸領(lǐng)域風(fēng)控模型的算法和建模技術(shù)也在不斷創(chuàng)新和進(jìn)步。算法層面從傳統(tǒng)統(tǒng)計(jì)模型到機(jī)器學(xué)習(xí)模型，再到復(fù)雜的深度學(xué)習(xí)模型和當(dāng)下流行的大模型技術(shù)，特征層面從基礎(chǔ)業(yè)務(wù)邏輯特征到時(shí)序特征再到圖譜深度關(guān)聯(lián)特征，均不斷提升信貸風(fēng)控模型的精度和風(fēng)險(xiǎn)識(shí)別能力，為風(fēng)險(xiǎn)控制提供更強(qiáng)大的工具支持。

那么，如何高效構(gòu)建信貸風(fēng)控模型？

某互聯(lián)網(wǎng)銀行的風(fēng)控模型主管本期為我們帶來他的經(jīng)驗(yàn)分享，讓我們來看看他是如何“省力”工作的吧~

01、信貸風(fēng)控模型是如何構(gòu)建的？

在信貸風(fēng)控模型的開發(fā)過程中，通常包括以下幾個(gè)關(guān)鍵步驟：數(shù)據(jù)收集與探索、數(shù)據(jù)清洗、特征工程、模型選擇、模型訓(xùn)練、模型評(píng)估與驗(yàn)證、模型部署與監(jiān)控。

本系列的前序文章《數(shù)據(jù)探索》、《數(shù)據(jù)清洗》、《特征加工組合》已經(jīng)對(duì)前三個(gè)環(huán)節(jié)進(jìn)行了介紹，在完成探索性數(shù)據(jù)分析、數(shù)據(jù)清洗、特征組合挖掘等環(huán)節(jié)后，接下來就是信貸模型核心開發(fā)環(huán)節(jié)——包括模型選擇、模型訓(xùn)練、模型評(píng)估與驗(yàn)證，以及評(píng)審?fù)ㄟ^后的模型部署和監(jiān)控。

模型選擇

信貸風(fēng)控模型常用的模型包括邏輯回歸、決策樹、隨機(jī)森林、梯度提升決策樹（XGBoost、LightGBM等）等。在進(jìn)行模型選擇時(shí)，首先要掌握各個(gè)模型算法的自身特點(diǎn)以及優(yōu)缺點(diǎn)，根據(jù)業(yè)務(wù)應(yīng)用需求和樣本數(shù)據(jù)的特點(diǎn)選擇合適的模型來應(yīng)用。

模型訓(xùn)練

模型類型選定后，就要在數(shù)據(jù)集上進(jìn)行模型擬合訓(xùn)練，并結(jié)合訓(xùn)練數(shù)據(jù)進(jìn)行模型參數(shù)調(diào)優(yōu)，提高模型的預(yù)測能力、穩(wěn)定性、解釋性等性能指標(biāo)。模型訓(xùn)練中的參數(shù)調(diào)優(yōu)通常采用的方法有網(wǎng)格搜索（Grid Search）和隨機(jī)搜索（Random Search），旨在通過系統(tǒng)地嘗試不同的參數(shù)組合來找到最優(yōu)的模型參數(shù)設(shè)置。還可以使用自動(dòng)化的調(diào)參工具包如Hyperopt、Optuna等。另外，RapidMiner優(yōu)秀的集成化平臺(tái)產(chǎn)品可以自適應(yīng)訓(xùn)練數(shù)據(jù)集，自動(dòng)調(diào)整參數(shù)以提升模型性能，從而顯著提高參數(shù)搜索和模型優(yōu)化的效率。

模型評(píng)估與驗(yàn)證

在模型訓(xùn)練完成后，對(duì)模型進(jìn)行評(píng)估和驗(yàn)證，以確保模型的準(zhǔn)確性和穩(wěn)定性。評(píng)估的數(shù)據(jù)集一般是提前預(yù)留的同時(shí)間分布的驗(yàn)證集和跨時(shí)間分布的測試集，評(píng)估指標(biāo)通常包括KS、AUC、Gini、Lfit等。

模型部署與監(jiān)控

最后是模型部署與監(jiān)控，模型只有通過全面評(píng)估驗(yàn)證并通過評(píng)審后，則進(jìn)行部署并投產(chǎn)上線使用。在模型部署后，還需要建立監(jiān)控預(yù)警機(jī)制，對(duì)模型的預(yù)測評(píng)分及入模特征進(jìn)行實(shí)時(shí)監(jiān)控，并及時(shí)發(fā)現(xiàn)和處理監(jiān)控異常的情況，以保證模型的穩(wěn)定性和可靠性。

02、常用風(fēng)控模型算法及應(yīng)用場景

在信貸風(fēng)控領(lǐng)域，有多種常用的模型算法，適用于不同的業(yè)務(wù)應(yīng)用場景。

邏輯回歸

邏輯回歸是一種廣泛使用的二分類（如違約與否、欺詐與否等）模型，可解釋性強(qiáng)且穩(wěn)定性高，至今依然是銀行等金融機(jī)構(gòu)最常用的模型之一。信用審批模型、反欺詐模型等二分類場景模型均可應(yīng)用邏輯回歸。

隨機(jī)森林

隨機(jī)森林是決策樹集成衍生而來的模型算法，采用多棵決策樹來擬合訓(xùn)練模型，在有效提升單決策樹模型性能的同時(shí)，可以有效防止過擬合現(xiàn)象。隨機(jī)森林的回歸算法是收入評(píng)估模型的有效算法。

梯度提升決策樹

梯度提升決策樹（GBDT、XGBoost、LightGBM等），這類算法通過逐步添加弱預(yù)測模型來構(gòu)建強(qiáng)預(yù)測模型，在處理復(fù)雜的非線性關(guān)系和挖掘特征交叉信息方面表現(xiàn)出色。在信貸風(fēng)控中，非常適用于需要處理高維度數(shù)據(jù)、復(fù)雜數(shù)據(jù)關(guān)系和數(shù)據(jù)交互增益的任務(wù)。

神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是一種模型結(jié)構(gòu)復(fù)雜度極高具有海量參數(shù)的模型，可以挖掘?qū)W習(xí)到不同模態(tài)數(shù)據(jù)中的深層次模式。在信貸風(fēng)控中，神經(jīng)網(wǎng)絡(luò)適用于處理大規(guī)模、高維度的數(shù)據(jù)，并識(shí)別其中的復(fù)雜模式和隱藏關(guān)系，也適用于深度特征挖掘的場景，以預(yù)測個(gè)人或企業(yè)違約的風(fēng)險(xiǎn)。

在實(shí)際的業(yè)務(wù)應(yīng)用中，以上算法模型可以根據(jù)金融機(jī)構(gòu)的業(yè)務(wù)需求、數(shù)據(jù)特點(diǎn)和業(yè)務(wù)應(yīng)用需求進(jìn)行選擇和應(yīng)用。

03、如何高效完成風(fēng)控模型開發(fā)任務(wù)？

信貸領(lǐng)域風(fēng)控模型的算法和建模技術(shù)在不斷創(chuàng)新和進(jìn)步，作為職場“螺絲釘”使用工具提效，不僅能解放自己的雙手，更能為整個(gè)團(tuán)隊(duì)和項(xiàng)目助力提效，因此，找到一款好用且易上手的信貸建模工具是至關(guān)重要的。如全球知名的支付公司Paypal等支付反欺詐團(tuán)隊(duì)，這些高效率的團(tuán)隊(duì)都在運(yùn)用工具去高效完成工作。

在此與大家分享介紹 Altair RapidMiner，它其不僅能幫助團(tuán)隊(duì)在數(shù)據(jù)探索、數(shù)據(jù)清洗、策略分析等方面輔助效率提升，在模型開發(fā)方面也是高效率自動(dòng)化的好工具。除了接下來和大家分享的零代碼可視化模型開發(fā)功能，它還有強(qiáng)大的自動(dòng)機(jī)器學(xué)習(xí)功能，由于篇幅受限，我們?cè)谙乱黄M(jìn)行詳細(xì)講解。

所謂零代碼可視化模型開發(fā)，即在設(shè)計(jì)畫布上進(jìn)行功能組件設(shè)計(jì)和連接，以整體的組件集合完成各項(xiàng)數(shù)據(jù)分析、模型訓(xùn)練和驗(yàn)證等任務(wù)。

對(duì)于產(chǎn)品新用戶或者模型開發(fā)經(jīng)驗(yàn)欠缺的用戶來說，RapidMiner提供了十分友好的向?qū)侥Ｐ烷_發(fā)模板，并且內(nèi)置了面向不同業(yè)務(wù)場景的多種應(yīng)用模板，用戶可根據(jù)模板描述選擇適合的模板開始，如圖1所示。

圖1 模板集合

圖2 信用風(fēng)險(xiǎn)建模模板

我們選擇Credit Risk Modeling模板，通過訓(xùn)練優(yōu)化一個(gè)支持向量機(jī)模型實(shí)現(xiàn)信用違約風(fēng)險(xiǎn)預(yù)測。如圖2所示，該模板通過在信用違約數(shù)據(jù)上訓(xùn)練支持向量機(jī)模型，優(yōu)化其核心參數(shù)C和gamma，并對(duì)新數(shù)據(jù)進(jìn)行模型打分，預(yù)測交易對(duì)手信用違約風(fēng)險(xiǎn)。該模板將模型訓(xùn)練過程分為5個(gè)模塊，數(shù)據(jù)讀取、數(shù)據(jù)集切分、參數(shù)優(yōu)化與模型訓(xùn)練、模型預(yù)測、訓(xùn)練日志存儲(chǔ)。最終，輸出內(nèi)容包括了優(yōu)化日志、最佳模型和違約預(yù)測及其置信度。

基于向?qū)У闹庇^用戶體驗(yàn)，使剛接觸機(jī)器學(xué)習(xí)的用戶也能夠構(gòu)建可用于生產(chǎn)的模型。

04、RapidMiner中支持哪些操作符（operator）？

如圖3所示，RapidMiner提供了豐富的操作算子，涵蓋了信貸模型開發(fā)的全流程環(huán)節(jié)，從數(shù)據(jù)集導(dǎo)入、數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)清洗到模型開發(fā)和模型驗(yàn)證。

圖3 Operators分類

在RapidMiner的模Modeling操作符類別下，涵蓋了豐富的模型算法，除了前文第2小節(jié)提到算法模型外，RapidMiner還支持kNN、貝葉斯、線性回歸、線性判別分析、各種集成模型等預(yù)測算法，kMeans、DBSCAN多個(gè)聚類算法，關(guān)聯(lián)分析算法等等。

此外，相關(guān)性分析、相似度分析、特征篩選、模型優(yōu)化、時(shí)間序列等分組下的操作符使得用戶的設(shè)計(jì)和模型開發(fā)工作更加便捷。

圖4 Modeling Operators

05、RapidMiner?可視化建模的優(yōu)勢與特點(diǎn)

在體驗(yàn)了RapidMiner的畫布設(shè)計(jì)模型開發(fā)后，再一次感受到了RapidMiner的強(qiáng)大，主要體現(xiàn)了以下幾點(diǎn)優(yōu)勢：

（1）易用性：RapidMiner提供了友好的交互方式，學(xué)習(xí)成本較低，使模型開發(fā)人員可以輕松地借助RapidMiner進(jìn)行模型開發(fā)工作，無需編寫復(fù)雜的代碼。

（2）全面性：RapidMiner擁有豐富的數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)算法庫和操作算子，覆蓋了建模分析和模型開發(fā)全流程的各個(gè)環(huán)節(jié)。

（3）可視化建模：RapidMiner提供的可視化建模功能，在設(shè)計(jì)畫布上通過拖拽操作和操作符組件連接，模型開發(fā)人員可以簡易直觀地構(gòu)建復(fù)雜的數(shù)據(jù)模型訓(xùn)練流程。

（4）社區(qū)支持和學(xué)習(xí)資源：RapidMiner擁有強(qiáng)大的用戶社區(qū)支持和豐富的學(xué)習(xí)資源，來自用戶社區(qū)的豐富擴(kuò)展插件特點(diǎn)各異，模型開發(fā)人員可以通過技術(shù)社區(qū)交流獲取幫助和支持。

總 結(jié)

一方面 RapidMiner?降低了模型開發(fā)分析的技術(shù)門檻，使得業(yè)務(wù)背景和低技術(shù)背景的業(yè)務(wù)產(chǎn)品專家也能通過建模分析輔助其決策。

另一方面，對(duì)于模型專家來說，利用 RapidMiner?高效率自動(dòng)化地完成基礎(chǔ)數(shù)據(jù)處理和分析工作，從而節(jié)省出更多的時(shí)間精力來對(duì)模型進(jìn)行校驗(yàn)和優(yōu)化，更多地投入需要人工深度參與的環(huán)節(jié)，發(fā)揮更大的業(yè)務(wù)價(jià)值。

RapidMiner 作為一款強(qiáng)大的數(shù)據(jù)科學(xué)平臺(tái)，為用戶提供了易用、全面、可視化的開發(fā)環(huán)境，同時(shí)具有強(qiáng)大的自動(dòng)化、部署和集成能力，以及豐富的社區(qū)支持和學(xué)習(xí)資源，極大地提高了模型開發(fā)的效率和便捷性。

本篇文章就到這里啦，歡迎關(guān)注我們，查看往期內(nèi)容。

---

若您對(duì)數(shù)據(jù)分析以及人工智能感興趣，歡迎與我們一起站在全球視野關(guān)注人工智能的發(fā)展，與Forrester 、德勤、麥肯錫等全球知名企業(yè)共探AI如何加速制造進(jìn)程，

共同參與6月20日由Altair主辦的面向工程師的全球線上人工智能會(huì)議“AI for Engineers”。

點(diǎn)擊立即免費(fèi)報(bào)名

（注：現(xiàn)在注冊(cè)參會(huì)，即可于會(huì)后第一時(shí)間獲得Altair全球100個(gè)客戶案例資料）

---

關(guān)于?Altair?RapidMiner

Altair RapidMiner 數(shù)據(jù)分析與人工智能平臺(tái)，是 Altair 澳汰爾公司旗下仿真、HPC 和數(shù)據(jù)分析三塊主營業(yè)務(wù)中的解決方案，它在數(shù)據(jù)分析領(lǐng)域最早實(shí)現(xiàn)將自動(dòng)化數(shù)據(jù)科學(xué)、文本分析、自動(dòng)特征工程和深度學(xué)習(xí)等多種功能同時(shí)集成的一站式數(shù)據(jù)分析平臺(tái)，幫助用戶解決從數(shù)據(jù)清洗、準(zhǔn)備、數(shù)據(jù)科學(xué)建模到模型管理和部署，同時(shí)又支持?jǐn)?shù)據(jù)和流數(shù)據(jù)的實(shí)時(shí)分析可視化的數(shù)據(jù)分析平臺(tái)。

欲了解更多信息，歡迎訪問：

www.altair.com.cn

??