10月28日FMI-2018人工智能与大数据高峰论坛深圳场圆满落幕,微众税银首席风险官许卫以AI在金融风控领域的实践应用为主题进行了精彩的分享。
微众税银首席风险官许卫
以下是许卫演讲内容，飞马网根据现场速记进行了不改变原意的编辑（有删减）：
许卫：很高兴来到这个论坛，我今天的主要目的是和大家分享自己在工作中的心得和经验，希望给大家在今后的职业发展道路上提供一点帮助。如果有些人觉得有点收获，我觉得就不虚此行。
我主要是做金融的，所以我今天给大家分享的主要是模型在金融领域的细分。
我的工作生态
工作十几年，在这期间我接触了很多机器学习的方法和工作，我也做了很多这方面的事情。实际上，在金融风控领域，一个很重要的主题是怎么样在人群里面挑选出优质的金融服务人群，挑选出风险最高的要避免的人群，通过控制风险，极大化收益，做这样的事情。
以前金融里面有一个文章叫“Too Big to Fail”，不知道有多少人看过这个电影？金融是关乎国际民生的领域，2008年金融危机的时候，美国有些银行因为过于激进的策略和方法导致风险集中暴露，美国政府当时花很多钱救援这些金融机构和银行，后来被很多人诟病说是纳税人的钱买单。这个文章讲的这件事情，系统重要性的金融机构影响很大，实际上金融危机后变得比较保守。在新技术的采用上相对科技公司比较保守。这其实对我们在座的各位也是机会。不管是谷歌还是Face book，是国内的支付宝或者是腾讯这边，先锐的科技公司出来，如果应用到金融领域实际上是有很多空间可以做这件事情的。
我们都知道，美国四大银行有上百年的以上的历史，但是美国第一资本银行30年内就做到第五、第六的位置，靠的是所谓的“量化分析”的技术。它做的这件事情，我觉得对于各位或者对于国内其实有一定的启发。我还在公司的时候CEO曾经在全公司大会上讲过最近几年招了8000多个软件工程师，多么大的市场和投入。
统计模型vs机器学习
传统的统计方法，最经典的是线性回归，比如人群的身高、体重，不同时间点的分布，在传统理论里面是非常简单的，线性回归就可以了，这是非常简单的传统方法。
量化分析在金融的应用就比较复杂。选择麦肯锡当年做的案例，比如说AB是两个不同的风险区分的指标，现在不同的圈里有不同的风险人群分析，我们如果简单做统计分析的模型，如图所示很难区分出来好坏人群。但是我们的模型里面如果用机器学习的方法，可以很精准的把好的人群和坏的人群区分出来。这只是举例两个维度的结果，现实过程中完全不止两个，可能有几百个变量。在金融里面要花很大力气研究这些变量到底怎么相互影响、怎么相互关联，怎么影响到我们的结果。当然机器学习也有些不足的地方，比如可解释性。给一个新客户放款100万，机器学习说这是好的，但不能告诉为什么是好的，这样风险部门会认为存在很大的风险。如果这种风险累积，就是很大的风险了。美国的监管部门在这块也有要求，对所谓的因果关系的理解。
行业应用的梳理
机器学习或者人工智能在金融行业应用非常广，去年年底我参加一个论坛，当时请了很多谷歌、亚马逊等人工智能实验室的人来做论坛。为什么金融公司请这样的人来？因为人工智能在金融领域的应用还在方兴未艾的阶段。
欺诈的识别：如果刷支付宝或者是腾讯的产品，怎么确认是本人，而不是盗了帐号。有几种类型：一是开帐号的时候，怎么识别这个人是不是本人？这种欺诈是对人群的区分。其次，在信用卡或者消费金融的领域，每笔都要识别，如各位有手机，你拿手机还，你上一秒在这里，几分钟之后出现在千里之外，这是不是认为有欺诈？你也要考虑错误距离的概念，有可能这个人坐飞机的，可能要考虑时间问题。
欺诈的模型已经用到了机器学习的技术。里面有个很重要的速率的变量。这个客户最近这段时间有多少次申请贷款、多少次寻求金融服务，如果非常频繁寻求，说明对资金的渴求，那么这个事情你的欺诈就会高。另外客户填一个表，用多长时间填地址，如果连自己家庭地址都是犹豫不决，写来写去，这个时间上也是一个欺诈指标。
营销的优化：比如第一资本广告投放一年的预算是10亿美金以上，怎么做到最好的优化，最大的效果。做一个AB test，不同的流程设计，差别都很大。
风险的Credit scoring：对人群的风险进行分类。
运营的优化：在银行里面的客服团队，客户打电话进来，现在都是语音识别，自动的做回答。在上市公司里面，很多后台的服务人员有上万的团队，上万人是巨大的开支。按照算法进行优化分发，大大节省人力开支，提高客户满意度。
前面四个是现在用的非常成熟的或者已经广泛应用的领域。
统计模型和机器学习的优劣势
从业务角度讲，不管是机器学习还是深度学习还是传统的方法，都是一个工具，都是为了完成最优的结果，都是为了推动业务的发展。
从工具角度进行比较，统计学习模型，需要很多的假设，不管是服从正态分布还是贝叶斯理论，这种假设是不是合适，要打问号。另外如果样本量很小，怎么从几十个样本里推算出规律，传统模型处理这种问题很多。相应的，机器学习对大数据处理很强。对变量关系，统计学习更多是处理线性关系和一些非线性关系，机器学习处理更复杂的关系能力更强一些。金融里面处理几百个变量的非线性关系很好，准确度机器学习很好。我们之前做过一个项目，两个组同时做模型，同样的事情，一个组做传统方法，一个组做机器学习，最后进行比较，机器学习的方法精确度更高一些。如果是非常经验丰富的人做统计模型，也能够逼近。
机器学习也有一些缺点，我之前负责过一个项目，小微企业贷款风险建模。最开始的模型用了很多变量，实际上是data driven。发现虽然精度提高了，但是稳定性不够，实际使用上需要做很多优化。
金融领域需要可解释性，可解释性是非常重要的。不能是完全的黑盒子。比如现在做欺诈，道高一尺、魔高一丈，很多欺诈公司是想方设法去找漏洞。所以对这块的反应速度要求很高，精度要求很高，可解释性要求就降低了。还有模型的稳定度，稳定度之前解释过，就不再赘述。还有计算的成本，现在这块对大家不是特别大的限制，但是后来发现也有限制，因为有些公司数据量也是很大。当模型封装之后，效率什么样，很多时候要求毫秒级别的响应，是不是做到实时毫秒级别的响应，要求非常高。
不同方式的比较（金融建模）
金融建模里面最传统的方法是识别人的好坏，最直接的方法是逻辑回归。现在流行的是决策树GBDT。从最传统的方法讲起，当时我们是拿着传统的SAS做分析，现在Python做分析，发现区别存在，同样的事情同样的方法去选，最后选出来的结果不一样。这很可能导致我对客户的识别偏差。就需要解释、搞清楚差别的原因，比如变量选择，我们拿GBDT做变量选择，我们选出的变量也不一样，可能有很大的差别。
当时有一个团队让他做各种不同的软件比较、做分析，把这些东西做归纳。
比如传统方法，对缺失值处理很严谨，每个怎么做，传统的SAS R直接略掉这个，这个不好，因为对样本是一个损失。对现在的方法可能直接给了一个错误出来，这是对逻辑负责，对决策树直接过了，不会给任何错误。对分类变量，比如是好是坏，是哪个地方来的，变量之间的关系不是数据存在，或者不存在数值线性的意义。整个变量的impution，怎么做变量的差值等等，它是不是能自动识别这种变量等等。
二是算法，是用回归、染色回归这种传统的统计方法，还是用弹性网络，可能有很多选择。
不同模型优化的比较。用的比较多的两个指标是AUC和KS，这两个指标大家可能非常熟悉，拿SAS比，发现SAS的结果和其他软件是比较一致的。这是一个开源的东西，需要对结果做一下检测。比如我用SAS，我是每年付SAS很多钱，SAS确保这个软件的结果可验证，没有任何问题。但是Python不能给我保证，我必须自己验证。有的公司没有这方面要求，因为这个东西风险低，对金融机构，尤其比较大的金融机构是由开源软件的验证要求的。
总结
一、现在建模不是简单跑软件代码，同时也是为了解这个事情之后再做选择。可能投机取巧的是，我们非常快速找到这种代码，不管是干嘛，很快出结果，所谓调包侠。我们要深入了解后面的东西，尤其要理解，只有这样，才能真正做出有价值的东西。
二、我们现在做了很多开源软件的评估，对不同软件进行比较，这也是一个很有意义的事情，一个控制风险，二是帮助深刻理解这些后面的算法和限制。我们很多时候拿这个软件，可能都不会去细看，但是实际上这个事情也是十分重要的。
三、最后想从我慢慢走向业务端的经验来讲，我最开始做技术，不断进行技术方面的学习。我逐渐意识到技术是一个核心的东西，但是真正要做好，也需要加入对数据和整个业务的理解。如果有了这些，加上技术，未来在职业发展道路上就会有更广阔的天地。
这是我的简单分享。
关注公众账号
【飞马会】
▼
飞马会
AI人工智能/大数据/技术管理等人员学习交流园地
往期福利
关注飞马会公众号，回复对应关键词打包下载学习资料；回复“入群”，加入飞马网AI、大数据、项目经理学习群，和优秀的人一起成长！
网友评论