智能风控 金融科技领域最主要的应用场景之一
借助大数据与人工智能技术提升风险管理能力
银行、证券、保险、互联网金融等
计量金融领域 AI in Financial Risk Management

大数据风控、决策引擎、风险计量引擎、风险模型实验室
运用大数据平台的计算分析能力、机器学习或深度学习模型，运用于信贷风控、反欺诈、反洗钱、交易监控、保险理赔等场景。
以数据驱动的风险管控与运营优化。

大数据的引入，能够获取到更多维度的外部数据，譬如客户行为、电商消费、运营商数据、地理位置、购物习惯等
与传统金融数据相比(如央行征信、交易流水、资产状况、财务报表等)，
虽然这些数据与客户违约本质上没有必然关系，但增加了更多风险因子和变量，可以从更多层面刻画客户风险视图，可以提升风险定价、违约计算的效果。

巴塞尔新资本协议的全面风险管理(资本计量、监督检查、市场纪律作为三大支柱) 


数据+模型+规则
突出机器学习模型的应用，如线性回归、Logistic回归、支持向量机、神经网络、深度学习、集成学习等

银行业：信贷、反欺诈、关联分析

银行业在信贷风险管理、交易反欺诈、风险定价和关联关系监控中的大数据应用
通过大数据基础平台的强大算力，计算用户之间的相关性，例如电话号、邮箱、地址、设备号等。

消费信贷风控 
贷前、贷中、贷后
信用品质、偿债能力、押品价值、财务状况、还款条件
授信申请、违约损失计算、逾期预测、反欺诈

个人或是企业的银行贷款、抵质押或担保贷款 供应链贷款
衡量客户还款能力和意愿
智能风控通过更多的数据维度来刻画客户特征，从而更准确的量化客户违约成本，实现对客户的合理授信。
自动化审批来替代人工审核，降低人力成本

证券业：异常交易行为、违规账户侦测

与银行业的智能风控专注于信贷风控、反欺诈等不同的是，证券公司、交易所更关注于“实时”、“事中”交易违规行为的侦测。
强化交易一线监管、突出事中监管，严重异常交易行为的重点监控账户监控
证券智能交易风控设计 
盘中连续交易阶段的数据量大、并发性高，对于低延迟实时计算、机器学习和复杂事件处理 
高频交易客户
交易活跃度(下单次数，下单频率等)，每单报价，持有标的、总资产、资金与持仓信息

证券业务  经纪业务、自营、资管等业务。

智能风控现状

大部分仍是基于规则组合、条件筛选来实现风险预警、半自动化的方式来辅助人来判断。
客户画像和标签体系，风险指标和报表系统 

对于金融机构来说，智能风控的前提是大数据的运用，而大数据则完全依赖于场景的布局。
互联网公司由于具备稳定的场景优势自然能够积累海量数据来刻画用户行为，而绝大多数金融机构仍需借助于外部数据交易的方法来补充数据维度的不足。
一方面买来的数据可能缺乏金融属性，不具备参考意义；
另一方面由于金融机构缺乏像互联网那样稳定可持续的场景和数据运营体系，也很难形成真正的作用和价值。

大数据强调相关性而不是因果性，基于机器学习模型的评估和结果不具备可解释性，将其运用到实际风险审核、侦测场景中的可行性有待商榷。



对于智能风控，只可看作是当下大数据、人工智能风口中，风险管理领域的一种新兴技术运用模式。
在风险管理的方法论上、风险管理的计量标准和监管要求上，都与传统金融风险管理模式并无区别。
其特色在于，通过引入更多维的客户数据(如客户线上消费、电商、运营商、行为)，重构数据和应用架构，
借助分布式大数据平台的能力、机器学习或深度学习模型，能够实现大批量、快速、精准的风险事件过滤或预测，
从而能够在风险管理的时效性、前瞻性、精准性、技术先进性上寻求突破。
未来随着生物特征识别、图像识别、区块链等技术的成熟，或可运用于风险管理领域，形成更多智能风控应用模式。