騰訊云-金融行業(yè)2023年商業(yè)銀行風(fēng)控趨勢調(diào)研報告：邁入模型對抗時代

邁人模型對抗時代2023年商業(yè)銀行風(fēng)控趨勢調(diào)研報告《報告》通過調(diào)研問卷形式，廣泛收集銀行機構(gòu)對自身風(fēng)控建模方面的觀點構(gòu)在風(fēng)控建模所取得的最新進展與主要挑戰(zhàn)，并結(jié)合專家專業(yè)意見，為銀行機構(gòu)風(fēng)知灼見，助力銀行機構(gòu)風(fēng)控建模能力進一步提升，更一、2023年商業(yè)銀行風(fēng)控趨勢二、商業(yè)銀行風(fēng)控轉(zhuǎn)型升級挑戰(zhàn)三、Al大模型為銀行風(fēng)控提供新動力四、報告調(diào)研方法 風(fēng)控策略邁入“模型對抗”時代風(fēng)控轉(zhuǎn)型升級面臨三大挑戰(zhàn)50%銀行選擇共建風(fēng)控體系逾半數(shù)受訪銀行機構(gòu)傾向引入“第三方技逾半數(shù)受訪銀行機構(gòu)傾向引入“第三方技80%銀行看好大模型落地風(fēng)控場景逾80%受訪銀行機構(gòu)高度看好逾80%受訪銀行機構(gòu)高度看好Al大模型與風(fēng)2023年商業(yè)超半數(shù)銀行聚焦“獲取新客戶”逾55%的受訪銀行機構(gòu)認為，鑒于中國經(jīng)濟基本面持續(xù)復(fù)蘇增長激發(fā)民眾消費需求，加之國家相關(guān)部門要求銀行機構(gòu)做好普惠金融這篇“大文章”,當(dāng)前他們一大經(jīng)營策略仍聚焦在“獲客準入”,通過獲取新客戶助推自身零售金融業(yè)務(wù)持續(xù)增長。您所在的金融機構(gòu)當(dāng)前獲客策略更關(guān)注以下哪個方面?獲客準入存量運營留客交易復(fù)購55%銀行獲客策略更關(guān)注獲客準入逾46%受訪銀行機構(gòu)認為，隨著中國經(jīng)濟基本面持續(xù)復(fù)蘇好轉(zhuǎn)，未來民眾的杠桿率也將呈現(xiàn)逐步上升趨勢。究其原因，一是中國經(jīng)濟基本面好轉(zhuǎn)令民眾就業(yè)機會增加與收入預(yù)期好轉(zhuǎn)，提振民眾通過消費信貸提升生活品質(zhì)的信心，二是相關(guān)部門出臺多項措施調(diào)低普惠金融綜合融資成本，令民眾的消費信貸還款財務(wù)壓力明顯減少，令他們“敢貸愿貸”,為銀行機構(gòu)獲取新客群助力零售業(yè)務(wù)發(fā)展創(chuàng)造良好發(fā)展空間。與此同時，不少受訪銀行機構(gòu)表示，隨著客群下沉，銀行急需在風(fēng)控策略做出相應(yīng)的迭代與更新，以適應(yīng)新客群的信用狀況與信貸風(fēng)控特征。逐漸上升逐漸下降趨于穩(wěn)定波動變化2/3銀行采取審慎的風(fēng)控策略盡管多數(shù)銀行機構(gòu)積極采取新客群獲取策略，但在風(fēng)控方面，他們卻采取相對審慎的風(fēng)控策略。您在未來市場的風(fēng)控策略制定上，傾向采取什么樣的態(tài)度這背后，是逾53%受訪銀行機構(gòu)人員認為未來零售信貸業(yè)務(wù)不良貸款率將逐漸上升，僅有15.11%受訪銀行機構(gòu)人員相信這項業(yè)務(wù)不良貸款率將逐漸下降。您認為近期零售信貨業(yè)務(wù)的不良貸款率呈現(xiàn)了怎樣的趨勢 三大原因促使風(fēng)控閥門“收緊”雖經(jīng)濟基本面波動雖經(jīng)濟基本面波動只客群下沉只客群下沉黑產(chǎn)加速利用黑產(chǎn)加速利用Al03黑灰產(chǎn)組織基于AGI(通用人工智能)技術(shù)的新型惡意攻擊，將是推高約占70%的逾期約占30%來源：騰訊安全研究發(fā)現(xiàn)商業(yè)銀行風(fēng)控轉(zhuǎn)型升級挑戰(zhàn) 銀行意識到三大風(fēng)控策略“漏洞”眾多受訪銀行機構(gòu)認為，隨著黑灰產(chǎn)組織日益利用AGI技術(shù)虛構(gòu)“仿真人”進行惡意欺詐攻擊，加之外單點防御失效通用型風(fēng)控策略失效參考價值大幅降低商業(yè)銀行積極開拓新興市場，同時也要針對存量客戶精耕細作，傳統(tǒng)通用的略正變得不再精準，因為C卡)不再完全適合銀行自行為策略，令“過去行為”身業(yè)務(wù)狀況，風(fēng)控的訴求在風(fēng)控領(lǐng)域的參考價值大正發(fā)生明顯變化——從通用型風(fēng)控轉(zhuǎn)向針對自身場景的定制化風(fēng)控，這意味著原先的風(fēng)控策略需要做策略規(guī)則體系行業(yè)風(fēng)險變化流量渠道拓展策略規(guī)則體系行業(yè)風(fēng)險變化流量渠道拓展多數(shù)銀行的風(fēng)控策略新共識：“策略對抗”轉(zhuǎn)向“模型對抗”基于廣泛的調(diào)研走訪，眾多銀行機構(gòu)在風(fēng)控策略變革方面正形成“新共識”,即風(fēng)控策略正從傳統(tǒng)的“策以往，銀行機構(gòu)的風(fēng)控策略主要基于靜態(tài)模型+動態(tài)策略，并通過不斷增補完善風(fēng)控規(guī)則應(yīng)對外部變化。但現(xiàn)在，客群變化加快、黑產(chǎn)加速利用Al等新形勢下，在調(diào)整風(fēng)控策略的基礎(chǔ)上，還要強化模型的迭代優(yōu)化。目策略對抗模型對抗目策略對抗預(yù)測設(shè)備風(fēng)險策略黑名單核查多頭共債策略歷史還款表現(xiàn)策略電商消費異常策略關(guān)聯(lián)風(fēng)險策略人行征信策略信用異常策略額度測算策略定價測算策略消費波動策略互聯(lián)網(wǎng)高危風(fēng)險策略反欺詐模型信息置信度模型區(qū)域風(fēng)險模型互聯(lián)網(wǎng)高危行為模型關(guān)聯(lián)人風(fēng)險模型設(shè)備風(fēng)險模型貸中行為風(fēng)險模型違約風(fēng)險量化模型多頭風(fēng)險模型職業(yè)穩(wěn)定性模型收入測算模型負債推斷模型拒客回撈模型客群層級豐富客群層級豐富 評估一周建模一周運營運營不同階段信貸風(fēng)控的能力要求傳統(tǒng)建模平均建模周期加強基于行內(nèi)數(shù)據(jù)的定制化風(fēng)控模型研發(fā)加強基于行內(nèi)數(shù)據(jù)的定制化風(fēng)控模型研發(fā)風(fēng)控模型迭代周期定制化風(fēng)控建模的進展與挑戰(zhàn)為了更好應(yīng)對“黑灰產(chǎn)”組織新型惡意攻擊與客群下沉所帶來的業(yè)務(wù)新挑戰(zhàn)，逾43.16%受訪銀行機構(gòu)傾向使用基于行內(nèi)數(shù)據(jù)定制的風(fēng)控模型，僅有24.46%受訪銀行機構(gòu)仍堅持使用經(jīng)市場檢驗的標準化風(fēng)控產(chǎn)品，此外，28.06%受定制產(chǎn)品標準產(chǎn)品兩者皆可其它多家受訪銀行機構(gòu)認為，行內(nèi)數(shù)據(jù)定制化風(fēng)控模型將日益普及獲得廣泛應(yīng)用，主要原因是隨著客群消費行為與信用狀況變化越來越快，銀行機構(gòu)客群下沉步伐日益提速，黑灰產(chǎn)的新型欺詐攻擊態(tài)勢更加復(fù)雜，標準化風(fēng)控產(chǎn)品的效率與準確性將不可避免地趨于下降。在這種情況下，風(fēng)控模型需充分調(diào)動行內(nèi)數(shù)身業(yè)務(wù)場景的全方位風(fēng)控要求。騰訊安全 加快風(fēng)控迭代速度的強烈訴求與現(xiàn)實障礙為了更好應(yīng)對黑灰產(chǎn)組織的新型惡意欺詐攻擊，以及宏觀經(jīng)濟波動與客群下沉所帶來的業(yè)務(wù)挑戰(zhàn)，越來越多銀行機構(gòu)正在加快風(fēng)控模型迭代周期。35.97%受訪銀行機構(gòu)將風(fēng)控模型迭代周期設(shè)定在3-6個月；33.09%受訪銀行機構(gòu)將風(fēng)控模型迭代周期設(shè)定在6-9個月，僅有10.79%銀行機構(gòu)將風(fēng)控模型迭代周期仍設(shè)定在1年以上。風(fēng)控模型迭代的周期是怎樣的?3個月-6個月■6個月-9個月9個月-12個月■12個月以上風(fēng)控模型迭代周期為1年以上21世紀經(jīng)濟報道21世紀經(jīng)濟報道 加快風(fēng)控迭代速度的強烈訴求與現(xiàn)實障礙風(fēng)控建模方面的投入有限，令風(fēng)控模型對新技術(shù)在風(fēng)控領(lǐng)域應(yīng)用的反應(yīng)速度不夠快，風(fēng)控樣本偏少疊加風(fēng)控經(jīng)驗不夠豐富，對“模型對抗”風(fēng)控策略構(gòu)建缺乏操作經(jīng)驗令風(fēng)控模型迭代步伐受限；與高效實施路徑，很多嘗試仍處于“摸索”令風(fēng)控模型迭代步伐受限；階段，拖累風(fēng)控模型迭代速度。 逾54.68%受訪銀行機構(gòu)感到“數(shù)據(jù)量大且處理難度高”,22.3%受訪銀行機構(gòu)感到“數(shù)據(jù)質(zhì)量差且影響風(fēng)控決策”,16.55%受訪銀行機構(gòu)則擔(dān)心數(shù)據(jù)安全問題。銀行采集的海量數(shù)據(jù)來源不同，銀行采集的海量數(shù)據(jù)來源不同，缺乏統(tǒng)一的數(shù)據(jù)治理標準，令銀行機構(gòu)的數(shù)據(jù)使用效率與風(fēng)控建三缺乏足夠的黑灰產(chǎn)對抗經(jīng)驗，不知道如何更好地銀行高層擔(dān)心部分數(shù)據(jù)來源不夠清晰，存在較高令風(fēng)控部門不敢將這些數(shù)據(jù)用于所采集的數(shù)據(jù)已所采集的數(shù)據(jù)已有效應(yīng)對黑灰產(chǎn)Al大模型為銀行風(fēng)控提供新動力騰訊安全為了有效解決風(fēng)控建模變革升級環(huán)節(jié)的數(shù)據(jù)采集處理挑戰(zhàn)，約54%受訪銀行機構(gòu)在風(fēng)控技術(shù)的投入與應(yīng)用方面，傾向“引入第三方技術(shù)”與“合作開發(fā)”。其中，24.46%受訪銀行機構(gòu)傾向“引入第三方技術(shù)”,29.5%受訪銀行機構(gòu)則傾向“合作開發(fā)”。您的機構(gòu)在風(fēng)控技術(shù)的投入和應(yīng)用上主要傾向哪種方式? 風(fēng)控服務(wù)商三大能力助力銀行風(fēng)控升級在選擇“引入第三方技術(shù)”與“合作開發(fā)”時，銀行機構(gòu)特別看重第三方風(fēng)控科技服務(wù)商的三大能力，分別是輔助決策支持(分析加工數(shù)據(jù)形成產(chǎn)品的產(chǎn)品，按次查詢收費)、決策工具支持(提供處理風(fēng)控流程的軟件工具產(chǎn)品)以及專家服務(wù)。其中，輔助決策支持得到56%受訪銀行機構(gòu)看重，高于決策工具支持(30.5%)與專業(yè)服務(wù)這表明在相關(guān)部門要求銀行機構(gòu)需加強自主風(fēng)控能力建設(shè)的大趨勢下，銀行機構(gòu)正雙管齊下，一面不斷強化自身自主風(fēng)控能力，一面通過引入輔助決策支持工具持續(xù)提升自身風(fēng)控能力，更好地管控各類零售信貸風(fēng)險。輔助決策類(分析加工數(shù)據(jù)形成產(chǎn)品的產(chǎn)品)—決策工具類(處理風(fēng)控流程的軟件工具產(chǎn)品)專家服務(wù)其他逾80%受訪銀行機構(gòu)高度看好Al大模型與風(fēng)控場景的“結(jié)合”44.7%受訪銀行機構(gòu)認為“大模型技術(shù)是Al技術(shù)高度成熟的表現(xiàn)，能顯著改變銀行風(fēng)控模式和效率”,43.3%受訪銀行認為“大模型技術(shù)與目前已應(yīng)用在風(fēng)控場景的Al技術(shù)有一定提升，可以提升風(fēng)控效率”,僅有4.3%認為兩者沒有“結(jié)合點”。通過深入走訪，絕大多數(shù)受訪銀行機構(gòu)認為大模型之所以能明顯提升銀行風(fēng)控模式，一是大模型技術(shù)能明顯提升銀行機構(gòu)的海量數(shù)據(jù)收集處理能力，有效解決原先制約“模型對抗”風(fēng)控策略的一大痛點；二是大模型技術(shù)能明顯增強風(fēng)控模型應(yīng)對外部環(huán)境變化(包括黑灰產(chǎn)新型惡意攻擊)的處理能力，加快風(fēng)控模型迭代步伐；三是大模型能通過海量數(shù)據(jù)分析，形成更多元化的風(fēng)控模型，令風(fēng)控效率進一步提升。是Al技術(shù)高度成熟的表現(xiàn)與目前已應(yīng)用在風(fēng)控場景的Al技術(shù)有一定提升與目前已應(yīng)用在風(fēng)控場景的Al技術(shù)無差異不具備結(jié)合點逾80%受訪銀行機構(gòu)高度看好Al大模型與風(fēng)控場景的“結(jié)合”逾80%受訪銀行機構(gòu)高度看好Al大模型與風(fēng)控場景的“結(jié)合”在積極試水大模型、看好大模型與風(fēng)控場景“結(jié)合”前景同時，部分受訪銀行機構(gòu)提出：金融行業(yè)屬于計算密集型、數(shù)據(jù)密集型、信息密集型的行業(yè)，在大模型技術(shù)與金融場景日益緊密融合的過程，數(shù)據(jù)正成為一種新型的“生產(chǎn)要素”,全面參與到各類金融業(yè)務(wù)場景。在這個過程，數(shù)據(jù)與算法的協(xié)作機制協(xié)作機制銀行機構(gòu)在應(yīng)用大模型技術(shù)同時，一方面需用好自身數(shù)據(jù)優(yōu)勢，建立共研、共創(chuàng)、共享的生態(tài)機制。ee科技倫理同時也需得到相關(guān)部門的指導(dǎo)，妥善解決金融科技倫理問題等新挑戰(zhàn)。 騰訊云金融風(fēng)控大模型，依托豐富的風(fēng)控知識，通過MaaS(模型即服務(wù))的方式，致力于解決銀行機構(gòu)所面臨的風(fēng)控樣本小、定制化風(fēng)控建模經(jīng)驗不足、風(fēng)控模型迭代速度偏慢等痛點，顯著加快他們構(gòu)建互金場景銀行場景互金場景日生成式知識增強多模態(tài)知識融合客戶相關(guān)知識提取車金的車金的跨場景/機構(gòu)有標記知識 金融風(fēng)控大模型的成功應(yīng)用案例業(yè)務(wù)背景該銀行近年來積極拓展線上零售金融業(yè)務(wù)，在獲客階段引入了多個線上渠道的流量，打造了豐富風(fēng)控痛點互聯(lián)網(wǎng)渠道的客群質(zhì)量，受平臺流量分發(fā)策略影響較大，客群的風(fēng)險表現(xiàn)情況極不穩(wěn)定，對已有的風(fēng)控系統(tǒng)帶來了很大的挑戰(zhàn)。行內(nèi)需頻繁根據(jù)渠方式需投入大量的專家資源，并且現(xiàn)有模型迭代方風(fēng)控大模型實踐在接入騰訊云金融風(fēng)控大模型后，他們在風(fēng)控效果提升、風(fēng)控建模時間周期縮短、風(fēng)控模型迭代某農(nóng)商業(yè)務(wù)背景某農(nóng)商行正在進行零售業(yè)務(wù)數(shù)字化轉(zhuǎn)型，傳統(tǒng)基于線下獲客的產(chǎn)品模式逐漸轉(zhuǎn)變?yōu)橐跃€上獲客為主。傳統(tǒng)的風(fēng)控模型無論從效率還是風(fēng)險識別的性能上，都已經(jīng)無法滿足新形態(tài)的業(yè)務(wù)要求，該銀行風(fēng)控挑戰(zhàn)風(fēng)險樣本，導(dǎo)致風(fēng)控建模樣本量只有5千，遠遠低于正常數(shù)值——約5萬個樣本量，導(dǎo)致生產(chǎn)的風(fēng)控模型容易被黑灰產(chǎn)組織抓住風(fēng)控漏洞進行“惡意攻風(fēng)控大模型實踐騰訊云的金融風(fēng)控大模型所積累的風(fēng)控知識很約20%,成功支持其線上金融業(yè)務(wù)的正常開展。21世紀經(jīng)濟報道騰訊安全通過廣泛深入走訪調(diào)研，近年銀行機構(gòu)的風(fēng)控策略，更多體現(xiàn)在“策略對抗”,即通過對歷史金融數(shù)據(jù)開展相對靜態(tài)的機器學(xué)習(xí)與深度學(xué)習(xí)，輔以相對靈活調(diào)整的風(fēng)控規(guī)則策略以對抗各類欺詐風(fēng)險，其實質(zhì)是但是，隨著黑灰產(chǎn)日益引入AG技術(shù)虛構(gòu)“仿真人”實施新型信貸欺詐與惡意攻擊，以及客群下沉所帶人千面”,令傳統(tǒng)風(fēng)控模型無法及時收集分析更多數(shù)據(jù)并識別出其欺詐手法。在這種情況下，金融風(fēng)控策略已從高度依賴專家經(jīng)驗與歷史數(shù)據(jù)的“策略對抗”,轉(zhuǎn)向基于機器學(xué)習(xí)、人工智能開展動態(tài)風(fēng)控管理的“模型對抗”。即通過不斷迭代升級的大模型技術(shù)，實時收集分析各類最新的欺詐行為并動態(tài)生成新的反欺詐風(fēng)控模型，快速完善現(xiàn)有的風(fēng)控體系，令黑灰產(chǎn)的各類新型欺詐攻擊行為在構(gòu)建“模型對抗”風(fēng)控策略過程，不少銀行機構(gòu)或多或少地遭遇樣本量不足或樣本量過于單調(diào)等問題。但通過引入金融風(fēng)控大模型，是可以有效解決在小樣本下的風(fēng)控模型反欺詐效果提升問題，并進一步增強金融風(fēng)控大模型的KS性能與跨場景泛化性性能。事實上，當(dāng)反欺詐風(fēng)控進入模型對抗階段，銀行機構(gòu)與黑產(chǎn)反欺詐博弈邏輯也發(fā)生巨大的改變，在以往規(guī)則對抗階段，銀行機構(gòu)往往強調(diào)風(fēng)控規(guī)則的增補，但在模型對抗時代，銀行機構(gòu)更需要定制化模型，本次報告觀點及數(shù)據(jù)采用問卷調(diào)研及閉門研討綜合分析。騰訊安全問卷調(diào)研此次調(diào)研，向數(shù)百家銀行機構(gòu)發(fā)放調(diào)查問卷，受訪對象涵蓋不同規(guī)模銀行，累計收到1