1.欺诈风险和信用风险的区别
信用风险:借款人因为某些原因导致不能及时足额的偿还贷款,从而违约的可能性。
欺诈风险:借款人在发起借款请求的时候,就无意还款的风险。
2.反欺诈的三个重要步骤
特征工程:反欺诈体系的灵魂之一,反欺诈听起来很技术,但却不是一个纯技术活,因为对特征的构造和选取十分依赖对业务的理解和风控认知。
模型开发:反欺诈的主角,与其说模型开发就是把模型搭建起来,不如说模型开发的难点其实在于选择和搭配正确并且合适的模型。
机器学习大类可以分为有监督和无监督两种,但是这两种类别都可以为反欺诈所用。
有监督学习主要是对于历史欺诈行为数据的学习来制定标签,已经是比较成熟和主流的反欺诈方法,通常常用的模型包括逻辑回归,随机森林,xgboot,lightGBM。但是有监督学习的弊端在于即使识别出和历史情况相似的诈骗,但是却会对变种的诈骗以及新型诈骗无能为力。
而无监督学习可以通过对全用户各维度数据的聚类,来找出与绝大多数用户差异较大的点,从而进行拦截,这是一种新颖的思路,但是因为结果不稳定,解释性不够强,所以还需要更多的实践去验证。
所以想当然的选择某个单一的模型是不够的,不同的模型之间要进行相应的配合,把业务及人为规则和模型结合起来一起使用。
3.五种金融机构常见风险
流动性风险,市场风险,信用风险,操作风险(包含欺诈风险),政策风险。
4.欺诈种类介绍
1.第一方欺诈:我就是“我”,恶意骗贷
2.第三方欺诈:我不是“我”,身份伪冒,盗用账户,团伙欺诈
3.申请欺诈:身份伪冒,中介包装,黑产
4.交易欺诈:账户盗用,养卡,套现
5.什么样的数据可以应用到反欺诈
用户环境数据:网络IP地址,设备指纹,地理位置
用户自身属性:爬虫,第三方数据,自有数据
6.贷款流程
曾经:
2000-2008年后,全球进入大数据时代,随着用户数据的整合,诞生央行征信,公安人脸数据,芝麻信用分,同盾分,百度黑中介分等参考数据。银行,消费金融公司,小额贷公司可以利用大数据建模,利用机器智能决策代替绝大多数人工审核,缩短信贷流程,减少贷款风险,实现利润最大化。
现代大数据时代的风控部门主要分为贷前,贷中,贷后管理三个板块。
7.信用评分算法是银行风控核心技术
信用评分算法对违约概率进行预测,是银行用来确定是否应该授予贷款的方法。数据属于个人消费类贷款,通过预测某人在未来两年内遇到财务困境的可能性,提高信用评分的最新水平。
银行在市场经济中发挥着至关重要的作用。他们决定谁可以获得资金以及以什么条件获得资金,并且可以做出投资决策或者终止投资决定。为了让市场和社会发挥作用,个人和公司需要获得信贷。