大數(shù)據(jù)背景下的風控與征信 專訪中科院院士、北大元培學院院長鄂維南教授

訪談：鄂維南，中國科學院院士，北大元培學院院長，普林斯頓大學數(shù)學系和應用數(shù)學研究所教授。

大數(shù)據(jù)和大數(shù)據(jù)技術

王曉蕾（以下簡稱“蕾”）：很高興鄂院士在百忙中接受我們的采訪。根據(jù)我的初步理解，目前大數(shù)據(jù)在金融中的運用，主要是通過大數(shù)據(jù)做風險控制，建立風險模型預測還款可能性，從而決定授信額度和定價。您怎樣看待大數(shù)據(jù)在風險管理中的應用？

鄂維南（以下簡稱“鄂”）：要講清楚這個問題，我們首先要區(qū)別一些概念，首先是大數(shù)據(jù)和大數(shù)據(jù)技術，前者是指的數(shù)據(jù)及可用于風險管理的數(shù)據(jù)問題，后者是指一些諸如機器學習、神經(jīng)網(wǎng)絡、支持向量機（SVM）等大數(shù)據(jù)算法。

從數(shù)據(jù)源的角度，我認為，與個人有關的信息從外到里可以分為三層：第一圈是關于個人的所有信息，第二圈是關于個人的所有履約信息，第三圈是信貸履約的信息。在之前傳統(tǒng)的風控中，我們一般利用最里圈的信貸履約信息，加上部分個人基本信息等來預測信貸違（履）約情況。隨著互聯(lián)網(wǎng)和信息技術的發(fā)展，部分方便可得的外圈信息，對于內(nèi)圈的履約預測慢慢地被證明有一定的效果，例如打車的履約情況對信貸履約的判斷是一個依據(jù)，因此大數(shù)據(jù)風控隨之逐漸興起。但對于不同圈別數(shù)據(jù)的跨圈使用，特別是外圈數(shù)據(jù)往內(nèi)圈使用的過程中，要特別解決法理約束和本人授權兩個問題，這樣有利于各種數(shù)據(jù)在風險評估領域中的可持續(xù)使用。

王：您這樣說非常清楚。目前，部分放貸機構對替代性數(shù)據(jù)（Alternative Data）的使用，我的理解就是對非現(xiàn)金化的債務履約信息的使用。當消費者缺乏信貸債務及其履約信息時，可以利用這些水電煤等先消費后付款的信息，通過考察消費者的重復履約意愿和能力來進行信貸風險管理。我們熟知的美國澤斯塔（ZestFinance）金融公司，所使用的“替代性”數(shù)據(jù)主要包括水電燃氣費等先消費后付款消費信息，當然，信息主體本人授權是一個基本原則。

鄂：以上說的是大數(shù)據(jù)問題，再從大數(shù)據(jù)技術角度來看，任何大數(shù)據(jù)方法用于信用風險的評估，要滿足三個條件：一是明確的，對評分建模的方法論、過程和數(shù)據(jù)使用上是明確的，對監(jiān)管、對公眾是應該公開的：二是準確的，建立的模型要對不同風險狀況的人群有區(qū)分能力和排序能力；三是穩(wěn)定的，數(shù)據(jù)、方法和模型在人群、時間跨度上是穩(wěn)定的。從傳統(tǒng)的邏輯回歸，到決策樹，再到機器學習等大數(shù)據(jù)方法的使用，要始終堅持開發(fā)出來的模型“明確、準確和穩(wěn)定”的三大特點。

王：據(jù)我了解，有些利用大數(shù)據(jù)中的機器學習技術開發(fā)的模型是明確的，有些是不明確的。

鄂：是的。總體而言，對于大數(shù)據(jù)和大數(shù)據(jù)技術，目前，在風險控制中，可以是在遵守一定規(guī)則上開放性使用，但是對于征信領域，在數(shù)據(jù)的來源上建議適當保守些，這主要是征信對評分開發(fā)模型的明確性要求更高。但是盡管如此，在數(shù)據(jù)的處理方法上，都可以進行不同的嘗試和探索，因為大數(shù)據(jù)技術的發(fā)展，就是將可以使用的信息，包括傳統(tǒng)的信息和現(xiàn)實生活中映射到互聯(lián)網(wǎng)的各種信息極大的簡化為一個分數(shù)，供放貸機構高效、便捷的使用。

風控與征信之異同

王：按照您剛才說的，我理解是，一些熱門的大數(shù)據(jù)技術可以做風控、但不能做征信，為什么這么說呢？

鄂：要理解這個觀點，得先從風控和征信的本質(zhì)特征出發(fā)來看。我們知道風控是放貸機構自己的事情，而征信則是第三方機構的信息服務，后者是為前者的風控服務的，對于信息的使用及其借款人對信息的知情權等方面，兩者是有根本性的區(qū)別的。所以我剛才講了，大數(shù)據(jù)技術開發(fā)的評分模型可以滿足準確、穩(wěn)定的要求，但是在明確、可解釋性方面，尚待市場的檢驗。

放貸機構為了風控，可以竭盡所能地收集各類或真實的信息或待證實的噪音，且對借款人作的放貸決策也是完全基于自己的商業(yè)目的考慮。但是，征信機構對信息的收集、加工和對外提供，則是完全按照市場和放貸機構認可、信息主體知情的方式進行，征信機構向放貸機構提供的所有針對借款人個人的信息，如基礎性的信用報告，是基于基本客觀事實的匯總，經(jīng)得起借款人本人質(zhì)疑、挑戰(zhàn)的，信用報告的內(nèi)容、流程、流轉(zhuǎn)過程和使用判斷是受到監(jiān)管的。

此外，我知道美國的征信機構一般是先提供了經(jīng)得起檢驗的信用報告，為信息主體本人提供信用報告查詢服務之后，再提供基于信用報告標準化解讀的各類信用評分服務，我想也是有這樣一個明確性要求在里面。為了確保個人信息沒有被濫用，評分流程的基本方法、理念、結果是需要對外披露，并接受監(jiān)管部門的全程監(jiān)管的。特別是當放貸機構基于征信機構的服務（如信用報告、個人信用評分），做出了不利于借款人的決策時，如拒絕借貸、提高費率、降低額度等，消費者是有知情權的。

王：非常贊成您的觀點，保護借款人（即信息主體）對征信系統(tǒng)本身及其本人信息被采集使用情況的知情，是征信行業(yè)的國際慣例，也是保證第三方征信機構獨立、可信賴地位的基石。

鄂：是的。在大數(shù)據(jù)的背景下，各種可以預測違約的數(shù)據(jù)在豐富性、廣度和深度上出現(xiàn)了極大的增加，但是對大數(shù)據(jù)的使用不會也不應該動搖剛才提到的征信與風控間的基本框架。例如，一些大型互聯(lián)網(wǎng)公司，掌握了大量的個人互聯(lián)網(wǎng)行為信息，這些信息可以用于公司內(nèi)部的風險管理和放貸決策，但是如果一旦用于第三方征信，則相關互聯(lián)網(wǎng)信息的使用和對外提供，必須經(jīng)受技術、用戶、法律、認知等社會方方面面的考驗，滿足公平公正合法等基本要求。

王：但是我們目前這方面的法律規(guī)定還不太完善。

鄂：沒有法律規(guī)定也不一定是可以為之的，征信機構的活動涉及消費者的切身利益，如果因為征信機構的服務，如提供了消費者不知情或認為不準確的信息，導致消費者的金融消費，如放貸、車貸等受阻，我認為消費者也是有權告第三方征信機構的。征信不是鬧著玩的，不建議目前部分機構采取抱著試試看的態(tài)度，來看哪些數(shù)據(jù)和技術可用于風險評估，并遞延到征信服務上，有些事情要事先考慮清楚。

王：在大數(shù)據(jù)時代，征信機構利用大數(shù)據(jù)技術對借款人風險水平的預測模型，如果經(jīng)過市場檢驗是有效的情況呢？

鄂：這是另一個問題，即便是對一群人的模型預測有效，但是用不成熟、不被大家接受的新技術和新方法，對個人進行風險預測并給個人的經(jīng)濟生活帶來影響，征信機構也有被司法起訴的風險，包括美國費埃哲（FICO）公司當時也是這樣的，模型和技術要有可解釋性，符合社會公眾的可接受度，這樣才能站得住腳。從有效性角度來看，社交網(wǎng)絡信息對于營銷、對于反恐等被證明是有效的，但是對于征信的有效性，還是一個有待證明的另一個問題。

王：大數(shù)據(jù)在風控運用上的一些創(chuàng)新確實存在，例如，傳統(tǒng)上主要是利用信用信息、財產(chǎn)信息來預測違約，目前依托信息和技術進行了一些創(chuàng)新，如有機構發(fā)現(xiàn)借款人手機的被叫時長、朋友圈的信息和違約有一定的關系，而將這些變量作為預測變量入模分析。

鄂：您說的可能是某個機構根據(jù)某些信息得出的一個初步結論，可能會被常識支持，但是這僅僅是一些數(shù)據(jù)環(huán)境下的一個判斷，是否經(jīng)得起檢驗、站得住腳，我認為還不能過早下結論。即便有效，我還是那個觀點，這個結論可以被放貸機構的風控所用，但是否可為征信機構所用，還用待觀察。

王：就我們而言，征信系統(tǒng)一是收集放貸機構等無論怎么努力也基本得不到的信息，如借款人在另一家放貸機構的借款信息，之后供放貸機構共享，二是收集放貸機構等可以采集但是成本較高的信息，如法院判決信息，方法是統(tǒng)一采集、大家共用。征信系統(tǒng)提供的以上兩部分信息都是放貸機構的外部信息一部分，放貸機構風控所使用的信息一定遠遠超過征信機構提供的信息。

鄂：是的，征信機構的信息永遠是放貸機構風控的一個重要信息和工具的來源。其實，目前使用大數(shù)據(jù)模型中，我認為很多變量是用來驗證信息的真?zhèn)蔚模?，預測違約率還是用傳統(tǒng)的信貸信息一些核心變量，目前來看，預測未來履約的信息范圍和方法論并沒有真正擴大和突破。

王：非常感謝您的交流。