风险控制

欺诈风险

  • 欺诈:以故意欺瞒事实而诱使对方发生错误认识的故意行为,通常目的是使欺诈者获利
    • 欺诈的行为要素
      • 使人发生错误认识为目的
      • 故意行为
    • 欺诈可以分为
      • 冒用:冒用他人身份,通过生物信息技术等容易发现
      • 伪装:伪造部分信息,相对而言更难识别
    • 金融领域“资金就是生产资料”使得欺诈者的非法获利更容易

欺诈事件

  • 白户:账户信息缺失,没有足够数据对借款人进行风险评估
    • 内部白户:新注册、无申贷历史记录
    • 外部白户:人行征信、三方征信无覆盖
  • 黑户:账户存在逾期、失信、欺诈记录
    • 内部黑户:历史订单逾期
    • 外部黑户:人行征信、三方征信黑
    • 论坛、公开渠道监控
  • 恶意欺诈:账户通过伪造资料、蓄意骗贷
    • 伪造账单流水记录骗取更高额度
    • 恶意欺诈账户可能涉及不良嗜好,如黄赌毒等
  • 身份冒用:伪冒他人身份进行欺诈骗贷
    • 熟人冒用
    • 他人盗用
    • 一般可通过信审、人脸识别、活体验证核验借款人身份
  • 以贷养贷
    • 放大共贷风险杠杆
    • 可通过三方征信机构的多头借贷产品识别
  • 中介欺诈:黑中介哄骗或招揽客户实施骗贷
    • 黑中介利用风控漏洞大规模攻击,造成大量资损
  • 传销:有组织的开展收费并发展多级下线,存在集中骗贷风险
    • 存在老客拉新,从关系网络上具有明显星状结构

欺诈者身份

  • 第一方欺诈:欺诈者用真实身份进行欺诈

    • 严格来说不是欺诈,没有在身份信息上误导平台
    • 应对措施
      • 黑名单
  • 第二方欺诈:企业、渠道内员工进行内部欺诈、内外勾结

    • 即巴塞尔协议操作风险中的内部欺诈
    • 应对措施
      • 内控:权限获取合理、流程上风险分散、操做可追溯
  • 第三方欺诈:非欺诈者自身、企业内部的第三方欺诈

    • 名义借贷者身份信息通过黑色产业链购买、养号,作为黑产军团的一个链条
    • 申请欺诈
      • 账户盗用
      • 资料造假
      • 恶意违约
    • 交易欺诈
      • 账户冒险
      • 养卡
      • 套现
    • 应对措施
      • 对抗性强、低侵入、性价比各种能力和技术
      • 社交网络发现
      • 数据交叉对比
      • 模型客户用户画像

获取非法收益的时间

  • First Payment Default 首轮欺诈

    • 首期失联
  • Bust-out 余额欺诈

    • 短时间将授信刷高再获利离场

收益来源环节

  • 单个客户利润 = 贷款收益 - 资金成本 - 信用成本 - 获客成本
    • 获客成本 - 税收成本
  • 骗贷:信用成本中的风险成本
  • 羊毛:获客成本中的补贴
  • 刷量:获客成本中的广告费
  • 虚假短信:运营费用中的短信流量费

得利方、损失方

  • C骗C:在互金领域不多
    • 即使是P2P,也会有平台兜底
  • B骗C
  • C骗B
  • B骗B

反欺诈

  • 防范欺诈的重要障碍是欺诈难以标注,是通过贷后表现推断贷前 意图

    • 一般只有真正联系到本人或失联,很难有足够证据证明是欺诈导致的逾期,而不是信用导致逾期
    • 欺诈导致逾期往往有以下特征
      • 首逾:最常作为欺诈指标
        • 对第一方、第三方欺诈,往往会发生首逾
        • 对第二方欺诈,考虑到内部人员的考核、规避等 原因,有可能会正常还款1到2期,此类欺诈较难认定
      • 催收追回率更高
  • 反欺诈调研步骤

    • 风险事件发现:具有敏锐的风险嗅觉,发现可疑事件
    • 欺诈场景还原:广泛收集各渠道信息还原欺诈场景,调研分析背后可能原因
    • 风险规则提炼:从欺诈场景中提炼相应专家规则,拦截欺诈
    • 技术算法支持:搜集相应数据,根据数据类型和场景特点寻找合适算法识别欺诈
  • 反欺诈除了常规的策略部署外,还需要考虑人性:延迟模型和规则的效用

    • 抓大放小:允许小资损,随机抽取小比例的欺诈者通过
      • 隐藏防控点,用于积累黑名单
      • 迷惑欺诈团伙
    • 虚假额度:设置虚假授信额度,但借口其他理由不放款

调研欺诈风险渠道

  • 实时大盘监控:适合识别黑中介风险、传销风险等团伙欺诈
    • 设备聚集性风险 LBSWIFI
    • 地域欺诈风险,如朋克村
  • 信审催收反馈
    • 通过电话外呼、核验用户身份、咨询借款动机,根据用户反应发现身份伪冒
  • 论坛舆情监控
    • 对相关论坛、讨论组等检测仪监控,发现市场动向
    • 理解欺诈人群的心理特征、社会身份
  • 黑产卧底调研
    • 线上加入相关社区,站在欺诈账户立场上,找寻风控系统弱点
    • 线下去欺诈案件多发地,实地调研、学习黑产手法

反欺诈专家规则

  • 针对网贷黑中介识别的风险规则

    • 中介通讯录长常常会存储客户号码,并加以备注
    • 因为需要联系客户,运营商数据中往往会留下痕迹
    • 中介网贷申请手法更熟练,在申请页面停留时间短
    • 使用网络可能包含“网贷”等敏感信息
    • 人脸活体验证时存在照片翻拍、视频通话
  • 对反欺诈规则同样可按照一般规则进行评价

    • 规则欺诈命中次数、命中率
      • 规则欺诈命中次数 = 命中触发报警之后被认定为欺诈次数
      • 欺诈命中率 = 规则欺诈命中次数 / 规则报警次数
    • 综合欺诈命中次数
      • 综合欺诈次数 = 规则欺诈命中次数 + 逾期调查认定欺诈数
      • 综合欺诈命中率
    • 考虑到欺诈逾期特征,可以把首逾、催收回账户重点调查
  • 专家规则有高准确率的优点,但是覆盖的人群有限,性价比低,过多会导致规则集冗长,不利于维护

反欺诈算法

  • 应用方向

    • 辅助调查人员从单个案件的调查上升到对团体的调查,提高人工审核效率
    • 通过用户之间的关联关系,给调查人员提供更多分析线索
  • 算法研究方向

    • 基于社交网络的模型
      • 基于通讯录、运营商数据,采用基于图的社区发现算法
    • 基于无监督聚类的模型
    • 知识图谱
    • Embedding 特征构建
      • 基于埋点行为数据,生成 Embedding 特征
    • 文本分类
      • 基于论坛文本、通讯录名称、WIFI 名称分类

First Payment Deliquency模型

  • FPD 模型:以首逾作为目标变量建立模型

    • 假设:欺诈者动机是骗钱,那么第一期就会逾期
    • 入模变量一般是负面特征
      • 安装负面 App 数量
      • 历史逾期次数
  • 基于欺诈的还款表现作为理论支撑,但是也存在一定缺陷

    • 逾期标签存在滞后性,首逾标签存在至少一个月,不利于快速响应
    • 放贷样本同总体有偏,在其上训练模型存在偏差,会低估风险

信用风险