携程金融大数据风控实践：模型与信用评分

"2-8+携程金融大数据风控.pdf" 主要讲述了携程金融在大数据风控领域的实践，包括金融大数据中台的构建、风控核心的模型体系以及相关技术的应用。 一、个人简介 曾凡祥，毕业于北京邮电大学，拥有PHD学位，并在加拿大McGill大学有过两年的访学经历。他在携程金融担任大数据科学与决策团队的负责人，专注于机器学习、深度学习和强化学习的研究与应用，尤其是在金融风控和精准营销方面。同时，他在国际知名期刊上发表过多篇学术论文。 二、风控基础-金融大数据中台 1. 服务对象：包括拿去花、信用卡、借去花等金融产品以及产业金融。 2. 整体思路：以算法、模型和数据为核心，构建金融数据中台。 3. 架构设计：包括离线计算、实时计算、计算与存储平台，以及与携程OTA、全域数据、订单、用户、无线、支付、风控、消金、信用卡、产业金融等多个业务模块的集成。 三、金融数据中台-整体架构 1. 基础数据服务：提供数据支持。 2. 画像标签服务：通过用户行为分析生成用户画像。 3. 征信指标服务：用于评估用户的信用状况。 4. 模型算法服务：包含各种风控和营销模型。 5. BI报表服务：提供数据分析和决策支持。 四、风控核心-模型体系 1. 风险分类：分为信用风险（用户违约风险）和欺诈风险（非法占有资金风险）。 2. 获客与准入：通过信用风险模型（如A卡）在贷前进行风险控制，减少不良资产。 3. 经营与逾期：贷后通过持续监控和管理来控制剩余风险。 4. 模型迭代：从V0.1到VX，样本规模逐步增大，特征数量和算法复杂度不断提升，如从LR到DNN，再到分形网络和CNN，提高模型预测精度。 五、风控模型体系详解 1. 贷前信用风险模型（A卡）：旨在预测用户信用违约概率，通过不断优化提升K-S值（区分度），降低风险。 2. 特征选择：从最初的100个特征，逐步增加至2000+，利用业务经验结合机器学习方法，如LR、GBDT+LR、DNN等进行建模。 携程金融通过大数据风控技术，构建了全面的金融数据中台，以模型驱动风险管理，实现了对信用风险和欺诈风险的有效识别与控制，从而保障了金融业务的稳定和健康发展。