騰訊云-金融行業(yè)2023年商業(yè)銀行風(fēng)控趨勢(shì)調(diào)研報(bào)告：邁入模型對(duì)抗時(shí)代

邁人模型對(duì)抗時(shí)代2023年商業(yè)銀行風(fēng)控趨勢(shì)調(diào)研報(bào)告《報(bào)告》通過調(diào)研問卷形式，廣泛收集銀行機(jī)構(gòu)對(duì)自身風(fēng)控建模方面的觀點(diǎn)構(gòu)在風(fēng)控建模所取得的最新進(jìn)展與主要挑戰(zhàn)，并結(jié)合專家專業(yè)意見，為銀行機(jī)構(gòu)風(fēng)知灼見，助力銀行機(jī)構(gòu)風(fēng)控建模能力進(jìn)一步提升，更一、2023年商業(yè)銀行風(fēng)控趨勢(shì)二、商業(yè)銀行風(fēng)控轉(zhuǎn)型升級(jí)挑戰(zhàn)三、Al大模型為銀行風(fēng)控提供新動(dòng)力四、報(bào)告調(diào)研方法 風(fēng)控策略邁入“模型對(duì)抗”時(shí)代風(fēng)控轉(zhuǎn)型升級(jí)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(jī)構(gòu)傾向引入“第三方技逾半數(shù)受訪銀行機(jī)構(gòu)傾向引入“第三方技80%銀行看好大模型落地風(fēng)控場(chǎng)景逾80%受訪銀行機(jī)構(gòu)高度看好逾80%受訪銀行機(jī)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(jī)構(gòu)認(rèn)為，鑒于中國(guó)經(jīng)濟(jì)基本面持續(xù)復(fù)蘇增長(zhǎng)激發(fā)民眾消費(fèi)需求，加之國(guó)家相關(guān)部門要求銀行機(jī)構(gòu)做好普惠金融這篇“大文章”,當(dāng)前他們一大經(jīng)營(yíng)策略仍聚焦在“獲客準(zhǔn)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(zhǎng)。您所在的金融機(jī)構(gòu)當(dāng)前獲客策略更關(guān)注以下哪個(gè)方面?獲客準(zhǔn)入存量運(yùn)營(yíng)留客交易復(fù)購(gòu)55%銀行獲客策略更關(guān)注獲客準(zhǔn)入逾46%受訪銀行機(jī)構(gòu)認(rèn)為，隨著中國(guó)經(jīng)濟(jì)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(shì)。究其原因，一是中國(guó)經(jīng)濟(jì)基本面好轉(zhuǎn)令民眾就業(yè)機(jī)會(huì)增加與收入預(yù)期好轉(zhuǎn)，提振民眾通過消費(fèi)信貸提升生活品質(zhì)的信心，二是相關(guān)部門出臺(tái)多項(xiàng)措施調(diào)低普惠金融綜合融資成本，令民眾的消費(fèi)信貸還款財(cái)務(wù)壓力明顯減少，令他們“敢貸愿貸”,為銀行機(jī)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(shí)，不少受訪銀行機(jī)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(dòng)變化2/3銀行采取審慎的風(fēng)控策略盡管多數(shù)銀行機(jī)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(duì)審慎的風(fēng)控策略。您在未來市場(chǎng)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(jī)構(gòu)人員認(rèn)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(jī)構(gòu)人員相信這項(xiàng)業(yè)務(wù)不良貸款率將逐漸下降。您認(rèn)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(shì) 三大原因促使風(fēng)控閥門“收緊”雖經(jīng)濟(jì)基本面波動(dòng)雖經(jīng)濟(jì)基本面波動(dòng)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(jí)挑戰(zhàn) 銀行意識(shí)到三大風(fēng)控策略“漏洞”眾多受訪銀行機(jī)構(gòu)認(rèn)為，隨著黑灰產(chǎn)組織日益利用AGI技術(shù)虛構(gòu)“仿真人”進(jìn)行惡意欺詐攻擊，加之外單點(diǎn)防御失效通用型風(fēng)控策略失效參考價(jià)值大幅降低商業(yè)銀行積極開拓新興市場(chǎng)，同時(shí)也要針對(duì)存量客戶精耕細(xì)作，傳統(tǒng)通用的略正變得不再精準(zhǔn)，因?yàn)镃卡)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(jià)值大正發(fā)生明顯變化——從通用型風(fēng)控轉(zhuǎn)向針對(duì)自身場(chǎng)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(xiǎn)變化流量渠道拓展策略規(guī)則體系行業(yè)風(fēng)險(xiǎn)變化流量渠道拓展多數(shù)銀行的風(fēng)控策略新共識(shí)：“策略對(duì)抗”轉(zhuǎn)向“模型對(duì)抗”基于廣泛的調(diào)研走訪，眾多銀行機(jī)構(gòu)在風(fēng)控策略變革方面正形成“新共識(shí)”,即風(fēng)控策略正從傳統(tǒng)的“策以往，銀行機(jī)構(gòu)的風(fēng)控策略主要基于靜態(tài)模型+動(dòng)態(tài)策略，并通過不斷增補(bǔ)完善風(fēng)控規(guī)則應(yīng)對(duì)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(shì)下，在調(diào)整風(fēng)控策略的基礎(chǔ)上，還要強(qiáng)化模型的迭代優(yōu)化。目策略對(duì)抗模型對(duì)抗目策略對(duì)抗預(yù)測(cè)設(shè)備風(fēng)險(xiǎn)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(fèi)異常策略關(guān)聯(lián)風(fēng)險(xiǎn)策略人行征信策略信用異常策略額度測(cè)算策略定價(jià)測(cè)算策略消費(fèi)波動(dòng)策略互聯(lián)網(wǎng)高危風(fēng)險(xiǎn)策略反欺詐模型信息置信度模型區(qū)域風(fēng)險(xiǎn)模型互聯(lián)網(wǎng)高危行為模型關(guān)聯(lián)人風(fēng)險(xiǎn)模型設(shè)備風(fēng)險(xiǎn)模型貸中行為風(fēng)險(xiǎn)模型違約風(fēng)險(xiǎn)量化模型多頭風(fēng)險(xiǎn)模型職業(yè)穩(wěn)定性模型收入測(cè)算模型負(fù)債推斷模型拒客回?fù)颇Ｐ涂腿簩蛹?jí)豐富客群層級(jí)豐富 評(píng)估一周建模一周運(yùn)營(yíng)運(yùn)營(yíng)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(qiáng)基于行內(nèi)數(shù)據(jù)的定制化風(fēng)控模型研發(fā)加強(qiáng)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(jìn)展與挑戰(zhàn)為了更好應(yīng)對(duì)“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(jī)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(jī)構(gòu)仍堅(jiān)持使用經(jīng)市場(chǎng)檢驗(yàn)的標(biāo)準(zhǔn)化風(fēng)控產(chǎn)品，此外，28.06%受定制產(chǎn)品標(biāo)準(zhǔn)產(chǎn)品兩者皆可其它多家受訪銀行機(jī)構(gòu)認(rèn)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(fèi)行為與信用狀況變化越來越快，銀行機(jī)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(shì)更加復(fù)雜，標(biāo)準(zhǔn)化風(fēng)控產(chǎn)品的效率與準(zhǔn)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(dòng)行內(nèi)數(shù)身業(yè)務(wù)場(chǎng)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(qiáng)烈訴求與現(xiàn)實(shí)障礙為了更好應(yīng)對(duì)黑灰產(chǎn)組織的新型惡意欺詐攻擊，以及宏觀經(jīng)濟(jì)波動(dòng)與客群下沉所帶來的業(yè)務(wù)挑戰(zhàn)，越來越多銀行機(jī)構(gòu)正在加快風(fēng)控模型迭代周期。35.97%受訪銀行機(jī)構(gòu)將風(fēng)控模型迭代周期設(shè)定在3-6個(gè)月；33.09%受訪銀行機(jī)構(gòu)將風(fēng)控模型迭代周期設(shè)定在6-9個(gè)月，僅有10.79%銀行機(jī)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(gè)月-6個(gè)月■6個(gè)月-9個(gè)月9個(gè)月-12個(gè)月■12個(gè)月以上風(fēng)控模型迭代周期為1年以上21世紀(jì)經(jīng)濟(jì)報(bào)道21世紀(jì)經(jīng)濟(jì)報(bào)道 加快風(fēng)控迭代速度的強(qiáng)烈訴求與現(xiàn)實(shí)障礙風(fēng)控建模方面的投入有限，令風(fēng)控模型對(duì)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(yàn)不夠豐富，對(duì)“模型對(duì)抗”風(fēng)控策略構(gòu)建缺乏操作經(jīng)驗(yàn)令風(fēng)控模型迭代步伐受限；與高效實(shí)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(jī)構(gòu)感到“數(shù)據(jù)量大且處理難度高”,22.3%受訪銀行機(jī)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(jī)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(biāo)準(zhǔn)，令銀行機(jī)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(duì)抗經(jīng)驗(yàn)，不知道如何更好地銀行高層擔(dān)心部分?jǐn)?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(duì)黑灰產(chǎn)Al大模型為銀行風(fēng)控提供新動(dòng)力騰訊安全為了有效解決風(fēng)控建模變革升級(jí)環(huán)節(jié)的數(shù)據(jù)采集處理挑戰(zhàn)，約54%受訪銀行機(jī)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(jī)構(gòu)傾向“引入第三方技術(shù)”,29.5%受訪銀行機(jī)構(gòu)則傾向“合作開發(fā)”。您的機(jī)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(jí)在選擇“引入第三方技術(shù)”與“合作開發(fā)”時(shí)，銀行機(jī)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(fèi))、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(jī)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(jī)構(gòu)需加強(qiáng)自主風(fēng)控能力建設(shè)的大趨勢(shì)下，銀行機(jī)構(gòu)正雙管齊下，一面不斷強(qiáng)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(xiǎn)。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(jī)構(gòu)高度看好Al大模型與風(fēng)控場(chǎng)景的“結(jié)合”44.7%受訪銀行機(jī)構(gòu)認(rèn)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(rèn)為“大模型技術(shù)與目前已應(yīng)用在風(fēng)控場(chǎng)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(rèn)為兩者沒有“結(jié)合點(diǎn)”。通過深入走訪，絕大多數(shù)受訪銀行機(jī)構(gòu)認(rèn)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(jī)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(duì)抗”風(fēng)控策略的一大痛點(diǎn)；二是大模型技術(shù)能明顯增強(qiáng)風(fēng)控模型應(yīng)對(duì)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(jìn)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(chǎng)景的Al技術(shù)有一定提升與目前已應(yīng)用在風(fēng)控場(chǎng)景的Al技術(shù)無差異不具備結(jié)合點(diǎn)逾80%受訪銀行機(jī)構(gòu)高度看好Al大模型與風(fēng)控場(chǎng)景的“結(jié)合”逾80%受訪銀行機(jī)構(gòu)高度看好Al大模型與風(fēng)控場(chǎng)景的“結(jié)合”在積極試水大模型、看好大模型與風(fēng)控場(chǎng)景“結(jié)合”前景同時(shí)，部分受訪銀行機(jī)構(gòu)提出：金融行業(yè)屬于計(jì)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(chǎng)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(chǎng)景。在這個(gè)過程，數(shù)據(jù)與算法的協(xié)作機(jī)制協(xié)作機(jī)制銀行機(jī)構(gòu)在應(yīng)用大模型技術(shù)同時(shí)，一方面需用好自身數(shù)據(jù)優(yōu)勢(shì)，建立共研、共創(chuàng)、共享的生態(tài)機(jī)制。ee科技倫理同時(shí)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(shí)，通過MaaS(模型即服務(wù))的方式，致力于解決銀行機(jī)構(gòu)所面臨的風(fēng)控樣本小、定制化風(fēng)控建模經(jīng)驗(yàn)不足、風(fēng)控模型迭代速度偏慢等痛點(diǎn)，顯著加快他們構(gòu)建互金場(chǎng)景銀行場(chǎng)景互金場(chǎng)景日生成式知識(shí)增強(qiáng)多模態(tài)知識(shí)融合客戶相關(guān)知識(shí)提取車金的車金的跨場(chǎng)景/機(jī)構(gòu)有標(biāo)記知識(shí) 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(gè)線上渠道的流量，打造了豐富風(fēng)控痛點(diǎn)互聯(lián)網(wǎng)渠道的客群質(zhì)量，受平臺(tái)流量分發(fā)策略影響較大，客群的風(fēng)險(xiǎn)表現(xiàn)情況極不穩(wěn)定，對(duì)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(shí)踐在接入騰訊云金融風(fēng)控大模型后，他們?cè)陲L(fēng)控效果提升、風(fēng)控建模時(shí)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(jìn)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(xiǎn)識(shí)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(xiǎn)樣本，導(dǎo)致風(fēng)控建模樣本量只有5千，遠(yuǎn)遠(yuǎn)低于正常數(shù)值——約5萬個(gè)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(jìn)行“惡意攻風(fēng)控大模型實(shí)踐騰訊云的金融風(fēng)控大模型所積累的風(fēng)控知識(shí)很約20%,成功支持其線上金融業(yè)務(wù)的正常開展。21世紀(jì)經(jīng)濟(jì)報(bào)道騰訊安全通過廣泛深入走訪調(diào)研，近年銀行機(jī)構(gòu)的風(fēng)控策略，更多體現(xiàn)在“策略對(duì)抗”,即通過對(duì)歷史金融數(shù)據(jù)開展相對(duì)靜態(tài)的機(jī)器學(xué)習(xí)與深度學(xué)習(xí)，輔以相對(duì)靈活調(diào)整的風(fēng)控規(guī)則策略以對(duì)抗各類欺詐風(fēng)險(xiǎn)，其實(shí)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(shí)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(shí)收集分析更多數(shù)據(jù)并識(shí)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(yàn)與歷史數(shù)據(jù)的“策略對(duì)抗”,轉(zhuǎn)向基于機(jī)器學(xué)習(xí)、人工智能開展動(dòng)態(tài)風(fēng)控管理的“模型對(duì)抗”。即通過不斷迭代升級(jí)的大模型技術(shù)，實(shí)時(shí)收集分析各類最新的欺詐行為并動(dòng)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(duì)抗”風(fēng)控策略過程，不少銀行機(jī)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(jìn)一步增強(qiáng)金融風(fēng)控大模型的KS性能與跨場(chǎng)景泛化性性能。事實(shí)上，當(dāng)反欺詐風(fēng)控進(jìn)入模型對(duì)抗階段，銀行機(jī)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(duì)抗階段，銀行機(jī)構(gòu)往往強(qiáng)調(diào)風(fēng)控規(guī)則的增補(bǔ)，但在模型對(duì)抗時(shí)代，銀行機(jī)構(gòu)更需要定制化模型，本次報(bào)告觀點(diǎn)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(jī)構(gòu)發(fā)放調(diào)查問卷，受訪對(duì)象涵蓋不同規(guī)模銀行，累計(jì)收到1