2-8+携程金融大数据风控.pdf

【携程金融大数据风控】是关于携程金融如何利用大数据进行风险控制的实践分享。该文档主要由以下几个部分构成： 1. **个人简介**：作者曾凡祥，拥有北京邮电大学博士学位，并在加拿大McGill大学做过两年访问学者，专注于机器学习、深度学习和强化学习的研究与应用，目前在携程金融大数据科学与决策团队担任领导角色，负责机器学习平台、人工智能基础平台的建设以及金融风控和精准营销的实施。 2. **金融大数据中台**：中台服务于拿去花、信用卡、借去花等金融产品，提供离线计算、实时计算和数据存储平台，支持订单、用户、支付、风控、消费金融等业务的数据服务。中台包含画像标签服务、征信指标服务、模型算法服务以及BI报表服务，形成了一套完整的风控和营销运营的数据支撑体系。 3. **风控模型体系**：风控主要涉及信用风险和欺诈风险两大类别。信用风险模型如A卡，旨在预测用户未来可能的违约概率，通过不断迭代优化模型，例如V0.1至V4.0，特征数量从最初的100个增加到2000多个，采用的算法包括逻辑回归(LR)、梯度提升决策树(GBDT)、深度神经网络(DNN)和分形网络等。欺诈风险模型则侧重于识别非法占有资金的行为。 4. **模型发展与性能**：从LR模型的KS值31和AUC值72.4，到GBDT+LR融合模型的KS值40和AUC值79，再到DNN模型的KS值49.4和AUC值83.79，最后到分形网络模型的KS值52.3和AUC值85.47，模型性能持续提升。同时，利用迁移学习处理金融用户与其他用户数据分布差异的问题，进一步优化了模型效果。 5. **特征工程**：特征构建涵盖身份属性、消费能力、用户关系、信用记录和出行记录等多个维度，通过不断扩展特征因子，比如性别、年龄、消费次数、消费金额等，结合明细数据、简单统计和深层网络模型提取更丰富的特征。 6. **模型评估与对比**：通过KS值（分离度指标）和AUC值（受试者工作特征曲线下的面积）来评估模型的性能，较高的KS和AUC值表明模型的区分度和预测能力更强。 携程金融大数据风控通过建立高效的大数据中台，结合先进的机器学习算法，构建了完善的信用风险和欺诈风险模型，以实现精准的风险识别和控制，从而保障金融服务的安全和效率。在模型迭代和特征工程方面，他们不断探索新的算法和特征组合，以适应快速变化的金融市场环境。