从事风控工作所需知识技能大全.pdfVIP

从事风控工作所需知识技能大全

风控体系是一个庞杂的系统，不同金融机构的风控部门关注的重点不同，其组织架构差异也

较大，对应所需要的技能和知识也就不同。在相同金融机构的风险架构，不同部门不同岗位的职

责和所需要的技能、知识也是各不相同的。

传统金融机构，银行、证券、基金的风控，更多需要的是偏信用风险、市场风险、流动性风

险、政策风险方面的知识，一般不会涉及太复杂的量化模型或者计量分析。

互联网风控不同于传统风控的地方主要在于，依托大数据和机器学习算法，用线上的实时风

险审批和监控来代替传统的人工授信，这大大节约了成本的同时还能有效的控制风险。

下面以大数据风控为方向，分析从事风控算法工程师所需知识技能。

01

业务知识

熟悉业务知识是基本功。

了解业务才能够建立实际可用的模型，目前还不存在解决所有问题万能算法，还是回到现实

从业务学习开始。

互联网金融领域有着非常丰富的业务场景，同时它和传统银行业务场景差别非常大，用户没

有面签不直接见面，依赖的数据是弱数据、大数据，是数据和技术驱动的业务场景，但这并不代

表你不需要去理解业务的内涵。

每一个现实场景就是一个应用题，作为算法人员需要理解题干，从场景中抽象出需要解决问

题，将它翻译成算法问题，然后再使用合适的算法。

很多时候对业务问题的理解和抽象，相当于在设定模型开发的大纲。比如在白条场景中，我

们想要预测授信用户的信用风险，我们首先就需要考虑以下问题：

—1—

我们要观察多久的订单？逾期多少天才算坏用户？逾期定义中是否需要考虑金额限制？好用

户怎么定义？需不需要考虑样本不均衡的问题？为了保证模型的稳定性如何进行窗口验证比较科

学？针对业务的一些变动，比如订单制和账单制的调整，我们如何去修正模型的目标变量？

总之基本的信贷概念和业务模式是必须去了解的，有助于你设计开发大纲。

除了大纲，风控模型的开发也需要知道业务细节。这在Y变量定义，X变量加工，模型评估

都会涉及。

以Y变量定义为例，一般金融行业会把样本分为四部分：G（好用户）；B（坏用户）；I（不确

定用户）；E（剔除用户）。

实操中对这四个群体通常会有不同定义的微调。有的时候是从算法角度考虑，但更多时候是

从业务需求角度考虑。预测用户未来的白条消费金额，止付用户就会被划入E类用户；预测欺诈

用户，因为样本很少，信用风险用户也被划入了B类坏用户。X变量除了根据业务知识挑选数据

源外，更多时候业务知识指导特征构造。

这里我插一句，不要轻视特征工程，特征工程仍然是非常重要的内功，不是搞一个深度学习

框架就可以解决一切。

金融行业的业务复杂通常和时间挂钩，必须掌握业务概念的细节。对于白条业务，就有下单，

到账，应还款，实际还款，最低还款，逾期，退款等一系列细节概念，它们都是在一个时间轴上

的，特征加工很讲究这些细节。只有清楚这些概念，而且知道这些行为如何产生和被记录，才能

够构造相关的有效特征。好的特征不但可以提高模型效果，也便于从业务上把握模型的跨时间有

效性。

业务场景很多时候还决定了你模型效果评估的方式，因为业务很灵活，可以做到有取有舍。

有些场景需要模型是为了在误杀尽可能少的情况下抓住更多的坏人；有些场景需要模型需要有更

好的排序能力但并不注重绝对值预测；有些场景需要模型需要有很准确的数值预测。

—2—

了解场景，挑选合适的评估方式，才能够构造出合适的模型，当然争辩是免不了的。

02

算法理论

首先，算法很多，没有人能够面面俱到，重在基本功。

对于转行的同学，推荐两本入门的基础读物：周志华“西瓜书”和李航的“蓝皮书。

作为算法工程师，对算法本身在公式的层面并不一定像考试那样需要死记硬背。

比如工作中不会有人问你LBFGS算法对于海森矩阵是怎么估计的的（即便在面试中背出来都

未必是加分项）。但是，LR的基本公式，SVM的基本原理还是需要去熟练掌握。