【行业资讯】智能风控在融资担保行业中的运用——体系、原理和实践

智能风控的体系

  定义

  智能风控是一种采用人工智能和大数据技术，结合金融行业的风控理论和实践，以提高金融机构风险管理效率和质量的新型风险管理技术。智能风控主要利用机器学习、大数据分析、模式识别等技术，对金融行业的风险进行深入分析，实现风险预警，从而为普惠金融机构降本增效。

  智能风控体系

  完整的智能风控体系包括三个部分：大数据平台、决策引擎和算法模型。

  1.大数据平台

  大数据平台是智能风控的基础，包括企业端的工商、司法、多头借贷等各类反欺诈、征信、财税（三表及发票）、流水、五险一金、联系方式、四位行业代码、绿色属性、知识产权、研发投入、企业划型等数据，也包括个人数据如实际控制人的年龄、婚姻、籍贯、不动产、个人经历、行为数据等，这些数据为线上的模型和策略提供了高质量的数据保障。构建高质量、海量数据是智能风控最基础的部分，除此以外还要整合内部生产数据，形成统一可调用的数据中台。解决数据孤岛问题是所有组织数字化转型工作中最难的部分。

  2.决策引擎

  智能风控的媒介承载了融资担保机构内部的专家经验和策略，是计算的逻辑平台，包括规则配置（规则集、决策表）、模型部署（过去的打分卡、机器学习模型等），以及决策审批流的管理，对不同产品做任务调度和管理，还可以做数据的加工和监控。

  3.算法模型

  算法模型类似传统风控管理体系中的专家角色，将原始数据提炼成组合规则和复杂模型，从而计算出融资担保机构的营销额度、承保额度等，包括的模型有专家模型、逻辑回归、决策树、集成树，以及近年来互联网金融公司运用比较多的深度神经网络、循环神经网络、监督学习、迁移学习等，其步骤包括模型的训练、优化、监督等的构建和重构。

智能风控的原理：传统风险管理的规律和逻辑依然是起点和基础

  担保经营高风险的属性始终不容忽视

  虽然政府性融资担保机构具备极强的准公共属性，但其金融业态本身的专有属性不容忽视。小微企业信贷风险始终存在风险暴露滞后、损失承受能力低（过低的保费与损失严重不对称）等特征，加之近年来宏观、中观环境变动较大，行业机构的风险管理可谓“如履薄冰、如临深渊”。

  从行业整体情况看，很多政府性融资担保机构成立时间较短，大量从业人员缺乏深厚的一线操作基础，对风险管理缺乏完整经营周期的实战经验，对银行和担保在基层风险管理的博弈缺乏切身体会。因此，重新提出行业机构要回归风险管理基本逻辑，而非简单采购科技公司的花哨产品、耗资投入数字化和智能化，在当前时期显得尤为重要。

  担保风险管理的算法模型的逻辑

  任何一笔担保贷款，我们都要问企业，你是谁（企业以及实际控制人的情况）？贷款干什么（贷款用途）？怎么还及还不了怎么办（第一还款来源测算及第二还款来源设计）？这三个问题既是融资担保机构传统操作模式尽职调查的内容，也是智能风控体系下设计算法的内容。

  其一，特征工程是机构核心财富。客户的基本面直接决定了担保的风险。特征工程的本质在于基于原始数据的信息提炼。融资担保机构能获取到的内外部数据很多，单独看可能与风险关联性并不强，但是加工成为特征后，却能与想要的预测结果相关联。例如，一家企业虽拥有高新技术企业证书，但其很有可能只是一家典型的贸易企业，可以承载的贷款额度完全不同，这就需要融资担保机构结合四位代码、开票产品、周转率、下游发票间隔、资产负债率等多个维度判断其真实的属性。有效的风控特征常常是参与建模的人员通过历史经验和长期探索积累而来，也是一家金融机构风险控制体系的最核心的财富，具体方法包括统计法、离散化、时间周期趋势、交叉项、隐性特征及用户画像等。

  其二，经营数据通常作为计算贷款额度的重要入参数据，成本法、收入法都是重要的方法，根据融资担保机构掌握的数据资源，以及成本、收入与贷款需求的相关性来设计。

  其三，汇总的各个多级指标可以设计不同权重去矫正单一测算法带来的不精准。

  传统的风险管理向智能化风险管理转化

  融资担保机构传统的审核体系一般包括以下3类：

  1.传统详尽人工审核

这种审核模式包括线下收集纸质资料、电话回访、线下尽调、撰写详尽项目评审报告、风控报告，以及经过评审会决策等流程。

  这种模式下，科学设置评审会委员和决策机制尤为重要，要保证评委的专业性和决策高效才能发挥作用，尤其针对需要个性化、难以非标的、金额较大的担保需求，多角度审视项目依然存在不可替代性。行业机构必须强化客户经理多角度审核企业的能力，提高客户经理对风险的敬畏心。

  然而在业务实践中，很多融资担保机构或银行的评审会委员多由各分管部门的高管构成，这些评委要么不是专业出身，要么已长期脱离业务一线，并不能对控制项目风险提出建设性意见，导致评审会成为决策合规的一种机制安排，而非真正实质控制风险。在一些人际关系、高管关系复杂的机构中，评审会还衍生出许多内部权力博弈甚至公关腐败问题。

  2.专家经验（轮签或权限内）

  通常是融资担保机构采用的备案制审批（或称为权限内审批、绿色通道审批等），一般仅简单描述企业核心情况，由机构内部具备评审经验的人员轮签即可完成审批。

融资担保机构针对这类业务通常会设定一定的风控规则库和额度限制，对客户属性、还款能力、资信情况等多维度进行简单描述。在智能风控模式下，这些绿色通道规则通常可以转化为决策引擎中的规则部署。

  3.打分卡

  通常是融资担保机构总结前期业务评审规律，设计出线下的各种多维度打分卡，解决快速审批问题。然而，实际线下操作中各种权重、赋值存在较大的人为主观性，风险控制的效果与具体经办人的专业和操守直接相关。从公司角度看，也无法收集结构化、为后期建模的高质量数据。但如果这类模式设计科学合理，可以直接抽象成数学公式，作为智能化算法的雏形，结合机器和大数据下的变量选取、样本抽取、逻辑回归、建模等能力，即可生成初始的模型，后期可以不断优化迭代。

  总结

  1.传统风险管理依然是智能风控设计的逻辑起点

尽管融资担保机构传统风险控制办法存在数据质量差（特别是评审报告形成大量的非结构性数据，数据真实性、完整性无法保障，数据治理难度大）、人力成本高、审批流程慢、迭代周期长，但笔者个人认为，线下积累实操经验，并不断在制度上完善评审流程和办法，依然是担保业务风险控制的基础和智能化算法的逻辑起点。从笔者所在机构经验看，许多代偿案例的经验总结，成为机构设计决策引擎、算法的基础。

  2.机器取代的是人工重复性劳动，而不是人类的经验和智慧

智能风控技术发展多年，各种机器学习算法层出不穷，但更多是在原有基础上进行完善和改良，在具体应用场景上探索创新。在具体场景下和一定规则下，传统的通过人工完成的大部分工作都可以被智能风控技术替代，尤其那些基于合规要求的重复性、程序性工作。但是，对于一些特殊的、复杂度较高的情况（比如前置性条件不存在、非标准场景），仍需要进行人工补充，尤其是在数据量较少，但新的风险模式变化不确定性较大的领域。智能风控会占据大多数的通用场景和标准化，但人工更能在一些细分领域、小众和非标场景继续发挥价值。因此，机器取代的是重复性劳动，而不是人类的经验和智慧。

  3.各地区原保机构的发育程度、业务模式决定其数据风控的路径选择

上述两种模式谈不上孰优孰劣，仅与机构自身的发展阶段、业务模式、省内担保体系构建情况相关。随着业务精细化管理要求及风险控制需要，两种模式也会出现逐步融合的情况。

“文科e贷”算法建模的实践

  线上产品建模过程

  近几年，北京中小企业融资再担保有限公司（以下简称北京再担保）的子公司陆续以“文科e贷”为总品牌，设计了一系列结合不同应用场景和需要的线上产品。在本文中，笔者结合一些业务实践，梳理了完整的线上产品建模过程，如图3所示。

  第一步，定义业务场景和目的，将业务需要抽象为分类或多元回归问题。由业务骨干和风控骨干设计产品（核心是规则和专家算法），把专家经验抽象为数据问题，准入规则库可通过专家经验直接设定。

  第二步，抽象成数学问题。结合历史业务和公司数据平台能掌握的授权数据和非授权数据情况，选取历史样本数据做回归分析，非授权数据（含公司基础数据库数据、外部银行或场景方提供的数据）回归担保额度（用于“白名单”营销额度），授权数据则采取决策树模式测算贷款额度（通常是最终贷款额度）。为了让客户的体验更好，尽可能让两者差异最小。逻辑回归是在准入环节“白名单”预授信额度用的核心算法。由于在未授权情况下可获取的数据量有限，同时又要考虑覆盖更多的客户及数据成本，不会像真正进入到授权阶段要调取大量的内外部数据，因此这种低维度情况下选取逻辑回归较为合适。决策树是在授权后应用的最核心的智能算法。通常情况下，一个决策树包含一个根节点、若干个内部节点和若干个叶子节点。根据节点和内部节点对应的数据维度，每一层节点对应的客户根据数据维度阈值的划分结果，落入下一层节点，叶子节点对应最终决策结果。目前，“文科e贷”最终运算结果包含了至少5、6层节点，以及数百个叶子数据字段。

  第三步，构建算法模型。包括担保额度算法的训练、评价和不断调优。

  第四步，科技金融部产品经理设计产品，提前考虑用户体验（小微企业或合作银行客户经理使用习惯、感受），提前设计好各个用户界面。

  第五步，开发人员根据产品设计进行开发，完成模型上线（上线移动端和网页端联通）。

  第六步，模型监控和优化。上线后，根据用户使用存在的问题，不断对算法、用户功能等进行优化迭代。

  保后集中化管理

  传统线下保后模式存在成本高、数据收集滞后，且项目经理同时多环节操作后无法兼顾的问题。在智能化管理体制下，我们的业务探索坚持了以下三个原则：

  一是集中管理。公司所有项目统一由风险管理部集中管理，不再分散到各个业务部和业务经理管理，解决了多环节、多链条保后管理数据收集滞后、责任不清的问题。

  二是分类分级管理。根据金额及项目风险分级差异化设置保后检查频率，具体要求如表3所示。

  三是多维度管理。具体要求如表4所示。

  其他环节

  一是评审环节。对于算法无法覆盖的非标业务，智能生成多维度评审报告和风险控制报告，辅助客户经理和风控经理快速完成审核。

  二是自动生成合同和智能合规。为解决批量业务的合同填写精准和合规化等问题，我们应用了NLP、OCR等技术，总结担保行业中业务、风控、法律合规的实践经验、审核规则、合规逻辑，在大语言模型基础上用行业垂直语料进行预训练，自动填写合同，并利用规则引擎自动审核合同。

  三是智慧司法环节。为解决批量化业务代偿数量多、立案难及立案周期长的问题，北京再担保通过与公证处的系统对接，借助远程通讯、电子签名、身份识别等手段实现了“线上公证”手续办理，大幅缩短了办理公证所需要的时间。把公证环节加入担保项目“生产流水线”，发生代偿后能帮助机构快速进入司法处置程序，尽快掌握追偿主动权。

心得体会

  第一，智能风控模型解决的永远是标准化产品。机器和算法只适合已经经过了抽象化、一般化规律总结的业务，也就是业务中的均值，但解决不了残差部分，不要力图把所有业务都纳入统一算法，否则将使模型无从设计。

  第二，创新和灵活永远都是构建模型的灵魂。每家机构拥有的数据源都不一样，就融资担保业务而言，北京再担保所涉及的只能算小数据，而非真正意义上的海量数据，特别是实践过程中会遇到各种问题，如数据质量不高（存在缺失值、异常值和重复值）、数据安全和合规要求无法获得原始数据（核心数据往往在授权后才能获取）等现实问题，因此设计模型时要根据我们掌握数据的实际情况去建模，对于无法获取的数据要考虑用替代数据入参。

  第三，不追求高大上，不交“智商税”。对融资担保机构而言，建立在经验和可解释性基础上的专家模型（评分卡）、逻辑回归（LR）和决策树模型通常都是简单、易操作和广泛应用的模型，而且可以根据自身需求和业务实践去做模型监控和优化。而所谓神经网络模型、深度学习、迁移学习、联邦学习虽然是热点，但部署起来难度很大，对样本量的要求也很大，对于多数融资担保机构而言就是科技“黑盒子”，无法根据自身业务需求去调整和优化，即使采购应用也是交“智商税”。

  第四，联合建模机制问题。“政银担” 多方数据需要就原始数据和底层特征进行交互来进行建模，但从监管和数据安全角度，融资担保主要合作方——银行能提供的数据有限，更多是在融资担保机构的硬件和算法模型下交互的。少量征信公司为完成联合建模的需要，也会提供多方数据加密计算的环境和模型，业界运用较多的是联邦学习法，实现“数据可用不可见，数据不跑模型跑”，但通常成本较高。因此，融资担保行业在联合建模中不能“想当然”，而是要根据对方监管要求选择最适合的方式。

  第五，具体问题具体分析，选择合适路径。目前，能提供智能风控技术的有三类机构：一是头部互联网巨头，如蚂蚁金服、京东数科、微众等，其自身有海量数据和科技能力，更愿意与持牌金融机构合作，以科技服务名义收取金融业务利润，且业务多为个贷业务，自身核心科技能力并不输出。二是第三方数据公司或金融科技公司，如天眼查、同盾、微众数科、启信宝等，通常把数据组合成数据产品或数据字段，以API方式或库方式对外销售，广泛与银行、融资担保机构合作，但存在产品高度同质化、“黑盒子”等问题。融资担保机构可根据自身需求采购部分服务，但应避免完全“假手于人”。另外，部分科技公司仅能提供线上化扭转的业务系统，缺乏金融业务知识，距离数字化和智能化仍有很大差距。三是传统金融机构的科技子公司，如各家银行的科技子公司、担保机构的科技子公司。这类机构的优势在于对业务逻辑和实质、行业政策变化较为敏感，更加贴合业务实际，但科技力量较前述两类机构弱。

（文/俞静 作者系北京中小企业融资再担保有限公司党总支副书记、总经理）

（文章来源：《中国担保》杂志，2025年第3期/总79期，如有侵权请与本司联系，进行删除，谢谢。）