信贷风控进入“大模型时代” 小样本量建模与风控迭代缓慢两大瓶颈急需解决

AI大模型技术与信贷风控的融合日益紧密。

近日，在由21世纪经济报道主办、腾讯安全联合主办的“金融风控大模型打造动态风险治理体系”闭门研讨会上，多家银行风控部门主管表示正尝试将AI大模型技术应用在贷前风控、贷后预警等场景。

民生银行风险管理部总经理赵辉表示，在贷前调查报告，数据审查报告自动化，风险预警精准化，量化交易辅助风险决策，欺诈的监测和防范，智能辅助管理决策等方面，民生银行都在进行相应的大模型尝试和探索。

与此同时，多家城商行风控部门人士透露，他们还尝试使用大模型技术解读人行征信报告，以此构建新的风控模型降低信用违约率风险。

此外，与会的多家中小银行也在试水通过大模型技术自动生成企业客户尽调报告，再由客户经理审核修改，以此提升工作效率并排除潜在信贷风险隐患。

“尽管AI大模型技术在信贷风控场景的应用日益广泛，但仍面临三大急需解决的实际操作挑战，一是进一步增加数据，二是进一步提升软硬件支持程度，三是进一步探索能使用大模型的风控应用场景，驱动银行进一步增加大模型的研发投入。”一位中小银行风控部门人士向记者指出。

这驱动越来越多银行等金融机构纷纷尝试从第三方风控科技平台引入金融风控大模型。

腾讯安全金融风控产品总经理陈波表示，当前金融机构需拥抱大模型技术的另一个驱动力，是通过大模型技术构建“模型对抗”的新型信贷风控体系，对抗黑灰产的新型欺诈攻击与客群下沉等新挑战。

“近年，随着越来越多金融机构纷纷加大客群下沉力度，其信贷风控体系能否匹配新客群的信用风险特征，面临着较大挑战；此外，黑灰产也在使用大量AIGC新科技开展欺诈攻击，令金融机构务必健全动态风险管理体系。”他指出，原先的信贷风控模型主要以静态为主，其迭代路径主要是调整风控策略而不是迭代模型，导致其未必能成功把握动态信贷风险隐患。因此金融机构需要通过大模型技术重塑“模型对抗”的新型信贷风控体系，成功应对黑灰产与客群下沉所带来的一系列风险挑战。

清华大学金融信息技术创新联合研究院专家郑耸认为，鉴于中小银行在软硬件基础建设、大模型人才储备、数据积累等方面，与大型银行相比存在一定劣势，因此不妨与第三方风控科技平台合作，通过引入后者的金融风控大模型加快自身风控能力迭代升级步伐，以此更好地应对信贷业务挑战。

但是，两者要成功合作，仍需解决诸多挑战。一是第三方风控科技平台能否解决中小银行算力不足问题；二是银行如何做好模型选型工作，参数量越大的大模型未必效果越好，因此银行更需找到合适自己且风控成效明显的大模型；三是大模型的幻觉问题（答非所问、胡说八道）能否得到有效解决；四是银行能否建立一整套规范流程保障数据安全与数据保护，从而敢于使用大模型技术提升自身信贷风控能力。

“此外，数据不能出行也是一大挑战。我们与外部第三方风控科技平台开展大模型技术合作时，如何解决数据安全性与合规操作新问题，也是急需解决的障碍。”上述中小银行风控部门人士指出。

 大模型急需解决两大风控瓶颈

记者了解到，多家银行在大模型技术与信贷风控场景融合方面，已取得某些成效。

“目前我们通过大模型技术自动生成的小微企业尽调报告已比较详尽准确，且企业财务报表的图片或表格，与大模型的结合生成效果也不错。”一位城商行风控部门负责人向记者透露。

此外，一家民营银行还尝试通过NLP算法与图算法，对人行征信报告进行解读，一下子增加了逾5万个风险变量，所搭建的风控模型令信用违约率风险降低约20%。

不过，也有银行遭遇了挑战。

“我们一直希望通过大模型技术自动生成企业客户的尽调报告，大幅缓解客户经理与授信评审员的工作量。但目前实践下来，大模型在企业财报分析、数据计算等方面仍存在一些不足，但我们认为随着大模型技术发展，参数模型的不断迭代，这些问题都能得到妥善解决。”一位城商行IT部门人士直言。

记者多方了解到，当前众多中小银行等金融机构迫切希望大模型技术能解决两大信贷风控瓶颈，分别是样本量较少、风控迭代速度较慢。

“我们可能需要花费数月时间，才能迭代风控模型，且中小银行数周所积累的样本，未必足够训练一个风控模型，导致我们有些新产品上线只能采取冷启动策略，即在缺乏对足够多样本进行风控策略训练的情况下，就直接上线新产品。”一位农商行风控部门主管向记者直言。这令银行在应对黑灰产组织新型欺诈攻击方面遭遇较大的压力。

他直言，以往银行主要采取模型聚类，比如图算法等技术，将欺诈团伙的识别率提升了35%。但是，如今越来越多黑灰产组织也玩起高科技——使用大模型技术批量虚构不同行为特征与信用评级状况的“伪真人”进行信贷欺诈，不断寻找银行现有风控规则的漏洞。一旦被他们发现银行风控漏洞，他们就会批量生产“容易通过银行风控审核”的伪真人进行团伙欺诈。

面对黑灰产组织欺诈手段“日新月异”，不同银行使用大模型技术进行反制的策略截然不同——大型银行拥有足够算力算法储备与海量数据积累，可以自研金融风控大模型“反制”；相比而言，中小银行既缺算力数据又缺大模型研发人才团队，未必能妥善应对黑灰产利用AIGC技术所开展的新型欺诈攻击。

这位农商行风控部门主管表示，他们曾“硬着头皮”自研反欺诈风控大模型，但很快遭遇两大挑战，一是在技术方面，这个风控大模型的稳定性欠缺，尽管某些新算法与大数据应用提高了针对可疑样本的相关性洞察，但也会带来过度拟合问题，令大模型一上线就遭遇反欺诈性能衰减；二是在可解释性方面，这个风控大模型自动生成的某些风控结论“难以解释”，导致银行风控团队不敢贸然使用。

“此外，我们发现金融风控大模型还需具有更好的泛化能力。因为众多线上零售信贷新产品都是基于较少的样本量进行研发，很可能被黑灰产组织抓住风控漏洞，所以银行需要引入泛化能力更强的大模型有效填补这个隐患。”他强调说。

哈尔滨银行首席风险官孙升学表示，数据质量也是制约大模型结果的根本。因此，强化数据治理、数据整合，挖潜数据资产价值、提升数据驱动经营能力，是中小银行构建金融科技生态、探索大模型落地的必由之路。与此同时，如何挖掘海量金融数据的价值，实现数字化转型实现“质”的飞跃，同样是中小银行高质量发展的“必答题”。

 第三方风控大模型应具备三大能力

为了解决大模型技术与风控场景融合的诸多挑战，越来越多中小银行等金融机构将目光瞄准“第三方合作”。

“在引入第三方金融风控大模型时，首先我们会采取本地化部署，以此满足数据不能出行的监管要求，其次我们还在尝试在本地部署第三方金融风控大模型后，通过自己科技人员进行指令微调测试，以达到风控大模型为我所用的效果。”前述农商行风控部门主管向记者直言。

在陈波看来，第三方金融风控大模型要解决中小银行信贷风控的诸多新挑战，需具备三大能力：

一是泛化能力强，由于信贷业务发展速度快，单个场景信贷风控模型训练一般在使用数月后就会出现模型效果衰退，但是腾讯安全融合海量跨场景风控知识库，能够覆盖不同类型的欺诈和违约模式，令大模型泛化能力比较强，确保风控大模型不但与时俱进，还能将效果始终保持在一个较高水准；

二是风控模型迭代速度快，传统风控模型从搭建、测试、到最终发布上线，需要两个星期，但当前黑灰产新型欺诈攻击行为天天“翻新”，金融机构需更短时间完成风控模型迭代上线，因此大模型能有效加快风控模型迭代进程。

三是能有效解决中小金融机构新产品新业务冷启动所面对的未知风险。

“作为头部的风控大模型，腾讯云金融风控大模型在这三大领域的应用已相当成熟。”他指出。比如腾讯安全具有丰富的黑灰产对抗经验，沉淀跨业务场景的多模态风控知识库，并覆盖不同业务场景的模型，特征和标签等，可以对金融机构通过Prompt方式所提供的无标签样本或小样本进行知识抽取，与多模态知识库做知识融合，再通过强化学习对生成式样本做模型训练，令KS值（Kolmogorov-Smirnov，评估模型效果的一种指标）相比传统小样本学习算法提升逾20%，

“若能在小样本基础上成功提炼出一个行之有效的风控模型，将很大程度解决中小银行大模型开发人员少，资金预算低，缺乏足够样本开展风控建模等瓶颈。”这位农商行风控部门主管向记者指出。此外，第三方金融风控大模型若能加快银行风控模型迭代步伐，就能更快应对黑灰产组织的新型欺诈攻击。

记者多方了解到，已有持牌消费金融机构、汽车金融公司、民营银行、农商行通过引入腾讯云金融风控大模型，要么显著加快风控模型迭代步伐，要么解决了样本量较少情况下的新金融产品风控建模瓶颈。

多位中小银行人士向记者表示，第三方金融风控大模型的成功应用，或许是影响他们银行高层开展相关合作的最大因素。因为银行高层对引入第三方金融风控大模型提出了四大要求，分别是性能可靠、成果有效、操作好用、合规运作。

郑耸指出，鉴于大模型需要得到强大的算力与数据支持，才能获得比较好的效果。所以在参数规模不够大的情况下，大模型的效果很难获得“质”的突破。因此中小银行若要在大模型+风控应用方面取得更大突破，应与具有强大算力与数据积累实力的大型科技公司开展合作，突破自身所面临的算力数据不足瓶颈。