中国邮政储蓄银行信用卡中心副总经理 马琳娜

  当前，世界百年未有之大变局加速演进，世界之变、时代之变、历史之变的特征更加明显。我国经济总体上持续恢复向好，但与此同时，国际环境复杂严峻，叠加国内经济结构性矛盾和周期性因素，持续恢复的基础仍需巩固。面对宏观环境变化给信用卡行业风控转型带来的压力与考验，如何进行有的放矢的高效风险防控，是当前风控工作者面临的突出挑战。银行要坚持主动求变、快速应变的应对思路，以精细化风控为核心抓手，加快数字化风控转型，夯实数据基础，构建完备的数字化风控体系，灵活应对内外部环境的快速变化，持续保障资产质量的稳定。

一、当前形势下智能风控的新挑战

  1. 经济结构深刻变革，量化风控的基础发生变动

  当前，社会各行业快速重新洗牌，居民收入结构发生变动，基于历史预测未来的部分数据延续性降低，相关模型区分效能有下降的可能性。一方面，供给侧结构性改革大背景下，社会各行业发生深刻变化。例如，产能过剩领域、房地产行业及其周边产业、资产负债率高领域逐渐通过市场出清，而科技产业、绿色产业等则利好不断，有望实现可持续发展。另一方面，受国际形势复杂多变的影响，与外贸高度相关的产业有可能面临经营困境，就业人员的收入不稳定性加剧。从量化风控的角度看，智能风控模型均基于行业历史数据设计、开发，在当前经济结构调整扎实推进的背景下，对快速变革的行业来说，模型会存在局部区分效能下降的可能性。

  2. 客户消费结构变动，智能风控难度加大

  疫情后，国家采取多项稳经济措施，国民经济总体持续恢复向好，市场信心逐步增强。但也应该看到，经济还在恢复过程中，周期性波动仍然存在。2023年9月，我国制造业采购经理指数(PMI)在连续五个月处于收缩区间后，上升至扩张区间(升至50.2%)，工业经济有望企稳回升;同期，社会消费品零售总额同比增长5.5%，消费者物价指数(CPI)环比上涨、同比持平，社会消费潜力有待进一步释放。2023年1-9月我国社会消费品零售总额同比增速如图1所示，2023年1-9月我国CPI同比增速如图2所示。

图1 2023 年1-9 月我国社会消费品零售总额同比增速
( 数据来源：根据国家统计局公布数据整理)

图2 2023 年1-9 月我国CPI 同比增速
(数据来源：根据国家统计局公布数据整理)

  在经济调整期，由于对未来预期的不确定性和工作稳定性的担忧，居民的消费习惯发生一定变化。对银行而言，部分稳定客户消费趋于谨慎，储蓄意愿增强，而稳定性较差的客户因收入减少或者工作发生变动，被动扩大负债规模。双向变动下，银行整体风险结构发生明显变动，风险预测的难度加大。

  3. 违约客户结构变动，智能风控精准度有下降可能

  近年来，监管政策更加强调对银行业规范化经营和挖掘行业内生动力的引导，行业外部数据获取范围日益规范，部分催收手段面临规范性挑战。在此背景下，原有智能风控模型预测的精准度也面临下降的可能。近几年，在个人信息保护方面，国家陆续出台《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》《中国银保监会监管数据安全管理办法(试行)》等法律法规，对数据的安全性与合规性提出更高标准要求，未来获取外部数据的合规渠道范围将进一步规范，有利于银行从合规渠道获取外部数据，但智能风控模型可能需要调整。

二、新形势下数字化风控转型应对措施

  传统风控策略体系以专家规则为主、量化模型为辅;在环境快速变化时，区分效能会有一定下降，而且架构复杂，调整耗时较长。数字化赋能背景下，融合大数据资源的数字化风控体系具有精准度高、调整灵活、反应迅速的优势特点，是银行业风控策略体系未来重要的发展趋势之一。

  1. 夯实数字化风控基础

  数据基础方面：数据是数字化风控的基础，信用卡业务拥有用卡行为等丰富的数据资源，具有数字化赋能的先天优势，也是竞争力提升的关键所在。一是整合、挖掘内部数据资源，同时从合规的外部数据源获取征信、社保等多维度数据，开展数据治理工作，识别数据是否真实、有效，全面净化数据，建设基础数据库，搭建起实时调用的标准化数据集市。二是全面挖掘数据价值。数据背后体现的是真实业务逻辑，依据各数据在业务分析中的应用频次、重要程度，对数据进行分层，形成不同更新频次、不同类别的风险标签、行为标签、场景标签、白名单标签等多层次的结构化数据标签体系，以保证效率、节省资源。强大的海量数据处理能力是数字化风控的基础，能为模型开发和策略制定提供有力支撑。

  平台基础方面：打造智能高效的风控平台，开发灵活多变的决策平台，是银行数字化风控建设的有力保障。一是搭建智能平台体系。智能风控平台融合大数据资源，定期形成多维客户风险画像，预测客户未来风险水平，银行可据此第一时间制定精准的风控调整策略;灵活决策平台能支持实现不同风控策略的热部署，应用在风控、信审、催收、营销等不同场景策略中，可为业务部门提供自主、灵活、敏捷的决策支持。二是制定科学的风控策略。科学的风控策略是银行持续保持竞争力的关键，当今社会环境在快速变化，要求银行决策系统具有灰度发布能力，支持多套策略同期运行，并依据不同策略的效果开展冠军挑战者，实现对风控策略的动态管理。三是保障机器学习模型的部署实施。当前，机器学习模型的应用越来越广泛，基于纯数据驱动的风控模型及策略的应用更加深入，运用机器学习模型让大数据说话，不断丰富业务经验，成为行业发展趋势之一。此外，银行需构建功能强大的报表系统、预警系统，应用于模型、策略和分行的管理，以便形成对风险点的“发现-识别-计量-治理”全流程管控。

  人才基础方面：人才是第一生产力，数字化风控转型离不开人才的挖掘与培养。一是要逐步搭建起数字化人才培养机制，发掘、培养一批既懂业务、管理，又懂技术、创新的高素质复合型人才。二是为及时掌握最新的风险管控动态及技术，要定期与行业、国际机构探讨学习，把行业先进的经验及时应用到数字化风控建设中。

  2. 构建数字化风控体系

  风控体系方面：为实现精准风险防控，银行应加强对智能技术的深度应用，丰富智能化风控手段，提升精细化风控能力，逐步建立覆盖全流程的数字化风控体系。一是筑牢根基，平稳运行基础模型。申请模型、行为模型、催收模型、欺诈模型是信用卡业务最重要的基础风险模型，持续提升模型区分效能，适时进行模型迭代，实现对客户不同风险水平的科学分类，制定对应的配套风控策略，保障整体资产质量稳定。二是行稳致远，开发用卡类、收益类新模型，识别用卡活跃、收益较高的优质客户，将额度资源向此类客群倾斜，制定风险收益平衡风控策略，提升信用卡业务经营能力。三是有的放矢，适时开发应对内外部环境变化的新模型，如预警管控模型、特定产品模型等，加强特定环节的风控能力。

  监控调优方面：近年来，银行业风险暴露呈现出发生迅速、点多面广的新特点，对银行进行实时监控、敏锐发现并治理风险点提出更高要求。一是建设一整套全面风险管理的报表体系，涵盖区域、行业、客群、风险等级、用卡特征等重要的风险类、用卡类标签，实时监控模型和策略运行的有效性和稳定性;同步建立预警指标的阈值标准，若指标发生异常波动，监控平台能实时发布风险预警提示，并快速探查、锁定异常风险点。二是在对风险来源进行深度分析的基础上，对准入策略、预警策略、催收策略快速做出调整，实现调整策略的热部署，并第一时间应用在业务生产中，达到快速、精准防控风险的目的。

  算法升级方面：当前，内外部环境快速变化，传统风控模型和策略的应对有效性面临挑战。与此同时，机器学习模型的发展、应用越来越广泛，决策树、随机森林、LightGBM等机器学习模型可以更好地处理不同类型的特征，较好地判断特征的重要程度。此类模型的训练速度更快，能在较短时间内对海量数据做出可行且效果良好的测算。通过利用机器学习模型，可更快实现风险策略的优化迭代，在风险快速变化大背景下，能实现尽早发现风险、治理风险的目标。由此，银行需在追求业务解释性的同时，做好敏捷性、稳定性之间的平衡。

  压力测试方面：银行需前瞻性评估压力情景下的风险水平，识别定位风控的脆弱环节，监测风险的变动，以主动应对未来可能出现的不利情景。可通过设计、开发宏观经济和压力传导等方面的预测模型，量化设定周期性、事件性、集中度等因素的不同参数，测量与模型、策略关系密切的风险因素由于假设变动对银行风险暴露的影响水平，据此锁定应对内外部环境变化的关键因素和环节，制定应急预案，对未来发生的突发状况第一时间做出应对举措，提高风控反应效率。

  3.严格模型和策略的管理流程

  随着大数据与人工智能的发展，对模型算法及配套策略的监管日趋严格，风控体系的规范性与合规性也应引起业界重视。在模型管理中，根据巴塞尔协议标准，建立模型全流程管理机制，包括模型需求、模型设计、模型开发、模型验证、模型评审、模型部署、模型投产、模型监控、模型退出等阶段。在策略管理中，建立全面性、系统性、动态性、持续性的闭环管理机制，包括对风险的识别、评估、控制、监测和应对等环节，实现风险的全面管理和控制。在风控过程中，关注模型和策略对历史数据的依赖，由于其天然存在算法自身的局限性，在经济深刻变革背景下有可能会出现无法反映客户真实风险水平的情况，所以要重视经验驱动与数据驱动的结合，从定量、定性等多方面保障风控体系的稳健运行。

  夯实基础，行稳致远。数字化转型背景下，银行以数字化风控转型为抓手，强化数字赋能，提升大数据应用能力，持续迭代升级风控策略体系，适应新形势下稳健发展的需求，构筑更加精准有效的数字化风控体系。

作者：中国邮政储蓄银行信用卡中心副总经理 马琳娜

    中国邮政储蓄银行信用卡中心风险管理部处长 张志国

    中国邮政储蓄银行信用卡中心风险管理部高级风险副经理 田书华