中国金融科技风控报告 China financial technology risk control report 2020 研究机构： 支持机构： 报告主编：赵慧利 报告编审：于百程 执笔团队：陈成 赵金龙 杨光 P 1 依托大数据、云计算、人工智能、机器学习、模型算法等技术，金融科技风控厂商从数据、 技术以及客户三方面切入，通过科技赋能，将传统风控升级为金融科技风控。新型的风控模式 极大地改善了金融机构日益增长的风控效能需求同落后的风控模式之间的矛盾。 截至 2020 年 6 月 8 日，我国金融科技风控服务商共获得 307 笔融资，公开披露的融资金额 约为 731.1 亿元。2019 年我国金融科技风控服务供应商融资事件数为 623047 起，融资金额为 68.9956.4163.5 亿元，较 2018 年有所下滑。主要是 2018 年 5 月和 6 月蚂蚁金服分别完成了 140 亿美元和 16 亿元的融资。 2014 年中国金融科技风控专利申请数为 10 项，2019 年申请数达到 124118 项，5 年间专利 申请数年复合增长率达 63.82%。在零售业务上，传统风控较为依赖风控人员的经验，在信用 评估上严重依赖如征信报告等传统金融数据，在贷后管理，特别是催收上依赖人工催收，存在 回款效率低、成本高企等问题。在对公业务上，传统风控缺乏规范化判定标准，而且由于部分 项目信息数据的海量化、碎片化，导致对企业尽职调查成本高、项目评估效率较低和真实性考 证难度大等问题，特别是对于成立时间短的创新型小微企业，问题更加严重。 招商银行上线了企业关联关系智能知识图谱，用人工智能和大数据驱动信贷对公业务，在全 行得到了广泛应用和认可；支付宝更新自身风控引擎，升级为 Alpha Risk 智能风控引擎，将人 类直觉 AI(Analyst Intuition) 和机器智能 AI(Artificial Intelligence) 两者进行融合，逐步实现支 付领域风控无人化管理；合合信息研发“供应链核心企业大数据风控管理平台”，基于启信宝 商业数据平台，解决了以往供应链金融风控的多个痛点。 风控行业经历过“野蛮生长”， 有小部分厂商通过“爬虫”技术过度采集用户数据，侵犯用 户隐私，相关企业被警方查处，对金融科技风控造成了一定的负面影响。本文建议，厂商、金 融机构、用户、监管部门和社会舆论，可以共同参与构建集数据、技术与场景三位一体的风控 生态。进一步，可由监管部门牵头，构建风险数据共享平台，通过统一的数据标准和系统接口， 将海量的黑名单数据归集、分类并设置相应权限，打破数据“孤岛”，将多方数据整合，以提 升全社会风险监控能力。 摘 要 + + P 2 中国金融科技风控报告 （2020） 目 录 【 】 Contents P 3 一、金融科技风控成大势所趋况 7 ( 一 ) 传统风控与金融科技风控 7 ( 二 ) 金融科技风控发展历程 9 ( 三 ) 金融科技风控厂商情况 10 ( 四 ) 金融科技风控投融资情况 11 ( 五 ) 金融科技风控专利情况 12 二、金融科技风控应用场景分析 15 ( 一 ) 信贷场景 15 1. 信贷传统风控痛点 15 2. 金融科技风控助力信贷企业 16 3. 金融科技风控实例：招商银行风险门户 16 ( 二 ) 第三方支付场景 20 1. 第三方支付传统风控痛点 20 2. 金融科技风控助力第三方支付 21 3. 金融科技风控实例：支付宝 ALPHARISK 风控引擎 23 ( 三 ) 供应链金融场景 26 1. 供应链金融传统风控痛点 26 2. 金融科技风控助力供应链金融 26 3. 金融科技风控实例：合合信息“供应链核心企业大数据风控管理平台” 27 三、金融科技风控的挑战及建议 33 ( 一 ) 构建数据、技术与场景三位一体的风控体系 33 1. 数据层面：与征信数据互补共享 34 2. 技术层面：人工智能、大数据、区块链等赋能 34 3. 场景层面：细分场景，定制化风控体系 34 ( 二 ) 营造厂商、金融机构、用户、监管部门和社会舆论全方位参与的风控生态 35 P 4 中国金融科技风控报告 （2020） 序 言 【 】 preface P 5 金融世界，风险无处不在。 2019 年 9 月，中国人民银行印发了金融科技 (FinTech) 发 展 规 划 (20192021 年 )， 明 确 指出金融科技成为防范化解金融风险的新利器。 运用大数据、 人工智能等技术建立金融风控模型， 有效甄别高风险交易，智能感知异常交易，实现 风险早识别、早预警、早处置，提升金融风险技 防能力。 从规划中可以看出，随着金融业数字化程度 进一步加深，金融科技在金融风险控制上已经成 为了重要的基石。特别是对于银行、第三方支付 和供应链等行业，风控的作用尤为重要。 传统风控依靠央行征信数据、企业财务报表或其 他等作为信用评估的重要依据， 存在一定的弊端。 因为我国存在大量信用空白户，众多有贷款需求 的人群还没有被征信覆盖，中小微企业的贷款申 请则依靠金融机构客户经理的尽职调查，第三方 支付机构对部分风险交易无法做到尽早排查。传 统风控还较为依靠人力，存在较高的人力成本， 对部分风险监控也基于较为单一的数据，很难做 到实时监控。 技术在不断进步，以人工智能、大数据、云计算 和区块链为核心的金融科技开始不断崭露头角。 在技术赋能下，金融科技风控应运而生，作为传 统风控的升级补充，极大地提升了金融机构在风 险管理、排查、监控、预警等方面的能力。 截至 2020 年 6 月 8 日，我国金融科技风控服务 商共获得 307 笔融资，公开披露的融资金额约 为 731.1 亿元。其中，2018 年是进入科技风控 服务商获得融资金额最高的一年， 达 418.6 亿元， 当年融资事件达 52 起。 2014 年中国金融科技风控专利申请数为 10 项， 2019 年申请数达到 124118 项，5 年间专利申请 数年复合增长率达 63.82%。 金融科技风控的应用场景、典型案例 金融科技 风控在许多领域都有应用，特别是在信贷、第三 方支付以及供应链金融中，助力上述多个业务场 景。例如，招商银行上线了企业关联关系智能知 识图谱， 用人工智能和大数据驱动信贷对公业务， 在全行得到了广泛应用和认可；支付宝更新自身 风控引擎，升级为 AlphaRisk 智能风控引擎，将 人类直觉 AI 和机器智能 AI 两者进行融合，并逐 步实现支付领域风控无人化管理；合合信息研发 “供应链核心企业大数据风控管理平台”，基于 启信宝商业数据平台，解决了以往供应链金融风 控的多个痛点。本报告联合国内人工智能大数据 领域的独角兽合合信息，借助其全面的金融 科技风控技术体系，丰富的商业风控实践经验， 庞大的商业大数据和详实的供应链金融风控案 例，同时结合对多家业内代表性的金融科技风控 技术机构的深度调研，从信贷、第三方支付和供 应链金融三大场景，全面分析中国金融科技风控 新态势、 AI 大数据风控体系的技术机制和实践 成效。 报告认为，随着金融科技技术不断迭代升级，以 AI 和大数据为核心的金融科技风控体系已经成为 越来越多金融机构的主流技术选择。同时，在数 字化和智能化不断加深的背景下，金融机构、用 户、监管部门和社会舆论等各方需要共同参与， 构建新型风控生态圈。 + + P 6 中国金融科技风控报告 （2020） 成大势所趋 金融科技风控 1 Financial technology risk control becomes the general trend 【 】 P 7 2019 年 9 月， 中国人民银行印发 金融科技 （FinTech） 发展规划 （2019-2021 年） （银发 2019 209 号） （下 称 规划 ） ， 指出 ： 坚持创新驱动发展， 加快金融科技战略部署与安全应用， 已成为深化金融供给侧结构性改革、 增强金融服务实体经济能力、打好防范化解金融风险攻坚战的内在需要和重要选择。 规划明确指出金融科技成为防范化解金融风险的新利器，并将“增强金融风险技防能力”作为六大重点任 务之一。 ( 一 ) 传统风控不足显现，金融 科技风控助力提升风控效能需求 金融科技风控成大势所趋 在传统风控模式下，银行等金融机构主要运 用人工信审，借助中国人民银行征信中心的 个人或企业征信报告、信用评分卡和信审人 员经验来判定客户的信用情况，作为是否放 款的重要依据。随着社会的进一步发展，特 别是普惠金融的大背景下，个人和企业有着 不同的资金需求，对资金到位的时效性也有 了新的需求。 传统风控在不断暴露审批效率不够高、人工 + + 目前行业普遍的大数据风控水平还 有很大提升空间，从长期来看金融 科技化是大势所趋，数据的开放程 度也是越来越高，所以我们认为从 长期看大数据风控前景还是比较广 阔的。 吴震 国家互联网金融安全 技术专家委员会秘书长 “ P 8 中国金融科技风控报告 （2020） 处理成本高企、 获取客户资信情况滞后和 “错杀” 征信白户等不足。 对于金融机构，传统风控已经无法满足它们对于风险管理的精准 度、效率值以及成本的需求；对于客户，传统风控也无法满足它们 对于资金到账的及时程度和需求的多样性，而且很多客户还因为征 信报告披露信息不足而被拒绝。 在大数据、 人工智能、 云计算、 区块链等金融科技技术高速发展下， 金融科技风控应运而生，作为传统风控方式的一种数字化和智能化 的升级补充。 在金融科技浪潮带动下，新兴业务模式、新技术应用、新产品服务 等不断涌现，在风控领域，金融科技风控成为近年来被广泛提及的 热门词汇。尤其是在信贷、支付、供应链和保险等领域，金融科技 风控已成为大量机构重点关注的领域。 依托大数据、云计算、人工智能、机器学习、模型算法等技术，金 融科技风控厂商从数据、 技术以及客户三方面切入， 通过科技赋能， 采用新型的风控模式，极大地改善了金融机构日益增长的风控效能 需求同落后的风控模式之间的矛盾。 传统风控 金融科技风控 风控模型 以人工审核为主，依靠专家经验 以模型、策略体系自动分析决策为主，人工审核为辅 数据来源 公司内部资料、央行征信资料、客 户提交资料 除传统风控数据来源外的第三方数据、线上线下多维度数据 数据维度 数据特征数量少，以基本信息为主 的强变量为主 特征数量大于 1000，以基本信息、行为特征信息为主的弱变 量信息 数据关联性 数据关联度低 数据关联度高，可交叉验证 模型设定 以线性模型为主，因果关系强 以深度学习、集成学习模型为主，可应用相关关系 表 1-1：传统风控和金融科技风控对比 资料来源：零壹智库 传统的风控逻辑是以资产为主， 而新的风控逻辑是以信用为主。 廖理 清华大学金融科技研究院院长 “ P 9 1. 萌芽时期：2005-2012，这一时期也是互联 网金融发展的萌芽期，此时互联网金融方兴未 艾。P2P 网络借贷逐渐兴起，第三方支付平台 高速发展， 互联网开始与传统金融行业融合。 由于互联网金融线上特征，使得金融服务冲 破了地域和时间的限制，难以像传统金融机 构与客户那样建立面对面的链接，为了满足 风控需求，互联网金融公司纷纷开始进行线 上风控系统搭建。在此阶段，大部分互联网 金融公司仍处于探索时期，传统金融机构尚 未出现风控改革。 2.1.0 时期：2012-2014，这一时期对应互联网 金融高速发展期， 此时 P2P 网络借贷高速发展， 网络股权众筹逐渐兴起。2012 年深度学习在语 音识别和图像识别领域取得重大进展，以人工 智能为代表的技术发展迎来爆发期。 在此时期， 互联网金融企业为了业务发展，降低不良率， 纷纷完成金融科技风控系统的初步搭建，头部 企业为了提升风控运营效率也开始更新模型， 革新算法，进行风控系统的迭代，金融科技风 控理念开始在传统金融行业传播。 3.2.0 时期：2014- 至今，这一时期对应金融科 技全面发展期。与 1.0 时期相比，金融科技公 司开始主动布局金融科技风控，应用大数据、 人工智能和云计算等多种技术实现实时风控和 个性化风控，加速金融科技风控多场景渗透， 注重客户体验和客户潜在价值挖掘，力求将金 融科技风控作为核心竞争力。尤其是传统金融 公司，在扩大技术团队的同时，主动与技术公 司合作，解决反欺诈、客户评级、风险监测、 贷后催收等问题。 2005 年互联网金融的兴起，催生了金融科技风控的萌芽。发展十几年来，金融风控模式的变化大致经历了三个阶段： ( 二 ) 金融科技风控进入 2.0 时期 图 1-1：智能风控发展阶段 资料来源：零壹智库 P 10 中国金融科技风控报告 （2020） 随着监管部门对金融行业管控政策的收紧，疯狂的体量扩 张模式趋于缓和。金融行业尤其是互联网金融行业逐渐回 归本质，风控也不再仅仅被定位为对后端业务的监控，而 是被赋予降本增效的业绩目标，通过与金融科技技术的结 合，贯穿于金融业务的全流程。 近年来，一批致力于智能风控服务的第三方金融科技公司 加入风控行业的竞争。目前市场上的智能风控上游厂商主 要分为两大类数据类和技术类。 数据类企业包括以百行征信、腾讯信用等为主的个人征信 机构，以及启信宝、鹏元征信等已备案的企业征信机构， 这些数据类机构的成立在一定程度上拓宽了传统征信的覆 盖人群，降低了数据获取的门槛。 另一类是主要以技术和解决方案输出为主的技术性型企业， 具体来说，包含招商银行、建设银行等多家银行成立的金 融科技子公司、互联网公司和专业金融科技公司。 ( 三 ) 金融科技风控厂商的竞争拉开序幕 图 1-2：金融科技风控上游厂商生态 资料来源：零壹智库 P 11 据零壹智库不完全统计， 截至 2020 年 6 月 8 日， 我国金融科技风控服务商共获得 307 笔融资， 公开披露的融资金额约为 731.1 亿元 1。 2012 年及其之前年度融资数量均在 5 笔以下， 披露的融资金额不超过 1 亿元。2013 年开始， 风控服务商融资数量持续攀升，到 2017 年达 到峰值 57 笔，20182019 年略有下滑，2020 年上半年 （截至 6 月 8 日， 下同） 下降比较明显， 仅有 16 笔。 从公开披露的融资金额来看，2017 年前随着 融资数量同步增长，2018 年飙升至 418.6 亿元 （剔除京东数科 2 笔合计 270 亿元的融资，还 有 148.6 亿元） ， 2019 年融资金额为 63.5 亿元。 2019 年上半年的融资事件数量为 21 起，下半 年为 26 起，融资事件数量较多的月份分别为 1 月、 7 月、 10 月和 12 月， 其中 1 月份达到最高峰， 融资事件数为 9 起。在融资金额上，2019 年 4 月同盾科技完成了 1 亿美元的 D 轮融资，8 月 玖富数科登陆纳斯达克，12 月金融壹账通于纽 约证券交易所挂牌上市。 ( 四 ) 金融科技风控投融资情况 图 1-3v2012-2020 年我国金融科技风控服务商融资情况 图 1-4： 2019 年我国金融科技风控融资事件和金额变化 资料来源：零壹智库 资料来源：零壹金融科技兵器谱，零壹智库 注 ： 1 ）统计不包含并购和债务融资 ，不含蚂蚁金服 ； 2 ） 数 / 近百万、 数 / 近千万、 数 / 近亿分别按 100 万、 1000 万、 1 亿进行统计 ，若融资金额未披露按 0 统计 ； 3 ）单位有 人民币和美元两种， 统一换算为人民币， 1 美元 =7 人民币。 注：无披露投融资金额企业获投记为 0 1 蚂蚁金服也提供智能风控服务， 其在 20142018 年间共获得 8 次融资， 金额超过 1435 亿元， 未统计在内。 P 12 中国金融科技风控报告 （2020） 2019 年融资金融排名前 10 的公司包括金融壹账通、 同 盾 科 技、 玖 富、Advance.ai、 星 环 科 技、 邦 盛 科 技、冰鉴科技和芯盾时代。其中，金融壹账通在 IPO 中成功募资 3.12 亿美元，高居 2019 年融资案榜首， Advance.ai，星环科技，邦盛科技等公司都已经进入 C 轮或 D 轮融资，吸引了高榕资本、金沙江创投、中 金资本、君联资本等诸多知名投资公司。 根据 SooP A T 数据显示，自 2014 年开始，国内与金 融科技风控相关的专利申请持续上升， 涉及电子支付、 投资决策、账户安全、贷款、订单管理、反欺诈等多 个场景。2014 年金融科技风控专利申请数为 10 项， 到 2019 年申请数达到 118 项，5 年间专利申请数年复 合增长率达 63.82%。 获投公司名称 获投金额（单位：万） 币种 轮次 主要投资方 金融壹账通 31200 美元 IPO 公众股东 同盾科技 超 10000 美元 D 纪源资本 玖富数科 8455 美元 IPO 公众股东 Advance.ai 8000 美元 C 高榕资本，金沙江创投，元璟资本，兰亭资 本，领袖资本，毅园资本 星环科技 50000 人民币 D+ 中金资本，渤海中盛，金石投资 邦盛科技 35000 人民币 C 国投创业，新湖中宝，君联资本 冰鉴科技 33500 人民币 Pre-C 云启资本 芯盾时代 近3亿 元 人民币 C 云锋基金，宽带资本，红点创投，海纳亚洲 星环科技 数亿元 人民币 D TCL 资本，中金佳成，深创投 华付信息 亿元级 人民币 B 双创基金，时代伯乐，卓德投资，任君基金 表 1-2：2019 年度前十家投融资案 资料来源：零壹金融科技兵器谱，零壹智库 ( 五 ) 金融科技风控专利情况 P 13 其中，在 2012 年至 2019 年间，阿里巴巴集团及支付宝共申请 27 项金融科技 风控专利， 是申请专利最多的企业， 风控专利适用范围包括贷款审批、 投资决策、 客户安全、业务运营等方面。另外，在此期间，累计专利申请书前十的公司分 别为阿里巴巴及支付宝、携程、新网银行、腾讯、甄视智能、七星通联、浪潮、 金融壹账通、邦盛科技、富民银行。 表 1-3：2012 至 2019 年累计专利申请前十公司 图 1-5：2012-2019 年我国金融科技风控融资事件和金额变化 资料来源：SooPAT，零壹智库 资料来源：SooPAT，零壹智库 公司 申请专利数 阿里巴巴及支付宝 27 携程 6 新网银行 4 腾讯 4 甄视智能 3 七星通联 3 浪潮商用 3 金融壹账通 3 邦盛科技 3 富民银行 3 P 14 中国金融科技风控报告 （2020） 应用场景分析 金融科技风控 2 Application scenario analysis of financial technology risk control 【 】 P 15 金融科技风控 ( 一 ) 信贷场景 1. 信贷传统风控痛点 狭义上，信贷指以银行等为主体的货币资金发放行为，这类主体包含银行、消费金融公司、小额贷款公司等。 对于这类金融机构，风控业务包括前端页面用户资料的申请提交、收集、合规、反欺诈、逻辑校验、授信审批 以及最后的贷后催收管理。 传统风控贷款审批作业流程一般 如下： ( 1 ) 对客户资料进行收集整理； ( 2 ) 信审人员根据风险政策、人 民银行出具的征信报告、企业会 计报表等，结合信用评分卡等工 具，对客户资信情况进行判别； ( 3 ) 对符合信用准入的客户放款， 拒绝不符合准入的客户。在放款 完成后，金融机构会对发放的贷 款进行贷中风险监测，当发现异 常后会对相应的贷款预警，根据 提前制定的规则实施相应的措施， 如暂停客户提款功能、要求客户 提前还款等。贷后催收则包含金 融机构内部人员电话催收、委托 外部催收公司以及法律诉讼。 在零售业务上，传统风控较为依 赖风控人员的经验，在信用评估 上严重依赖如征信报告等传统金 融数据， 在贷后管理上依赖人力， 存在效率低、成本高等问题。 在对公业务上，传统风控缺乏规 范化判定标准，而且由于部分项 目信息数据的海量化、碎片化， 导致尽职调查成本高、项目评估 效率较低和真实性考证难度大等 问题。特别是对于成立时间短的 创新型小微企业， 问题更加严重。 金融科技风控应用场景分析 + + P 16 中国金融科技风控报告 （2020） 2. 金融科技风控助力信贷企业 在大数据、云计算和人工智能等技术赋能下，金融科 技风控在零售传统风控的各环节进行优化，不仅包括 传统风控中的金融数据，同时也包括了与借款申请人 还款能力和还款意愿的风险特征描述。 通过大数据技术，将多个维度的数据，例如消费、社 交等进行分析整理，以此达成金融科技下的新型风险 评估模式。这样就使得金融科技风控不单一依赖于传 统的金融信贷数据，并且可以对征信白户，即没有任 何信用记录的人群进行风险审查，实现对更大消费群 体的覆盖。 随着人工智能的进一步发展，银行机构与客户之间的 信息不对称问题得以解决。因为传统零售业务无法获 取非授权征信客户信息，而人工智能通过数据和技术 相结合，可以构建出一个信用分析模型，通过利用多 维度数据提升决策树、神经网络、随机森林、增量学 习技术以及分群调整技术等机器学习方法，可以为缺 少传统征信数据的客户作出客观的信用风险评估，以 便金融机构作出放款与否的决策。 在对公业务方面，金融科技风控能够帮助金融机构建立 项目评估规范化标准，通过大数据技术，扩宽授信企业 数据获取维度， 如税务、 海关等， 提升项目评估准确度。 另外，金融科技风控还能借助计算机改善传统项目分 析，大大减少人为主观因素影响，解放客户经理在尽 调等环节的工作量， 通过数据驱动， 提高贷款审批效率。 3. 金融科技风控实例：招商银行风险门户 随着金融行业对人工智能、大数据和云计算等新技术的不断引入，知识图谱在数字金融领域的应用带来了显著的优 势：提高行业效率，改善客户体验，突破风险瓶颈。 图 2-1： 信贷传统风控痛点 资料来源：零壹智库 P 17 招商银行是中国境内领先的零售银行，同时也是世界 500 强之一，在业内被誉为“零售之王”。 2020 年一季度，招商银行营业收入和净利润实现“双 增长”，分别同比上升 11.39% 和 9.29%，零售金融业 务收入超 300 亿元，同比增长 11.07%。尽管零售金融 业务亮眼，但在招商银行的“一体两翼战略”中，公司 金融业务是其中一翼，对零售金融业务起到重要的支撑 作用。 业务的增长离不开科技的支撑， 招商银行秉承 “以 IT 为领先、 以创新为驱动” 的发展理念， 在 “数字招商” “招 商智慧”等战略及目标的指引下，持续不断地对新技术 及其创新应用进行提前布局和投资，从全行战略到基础 设施建设、开发管理模式、组织架构等方面，借助金融 科技提升效率、改善客户体验。 2018 年，招商银行引入了由合合信息打造的企业关联 关系智能知识图谱，通过引进人工智能 + 大数据的智能 风险决策手段，避免银行在企业信贷过程中因关联企业 识别不充分而造成的各种风险。在企业关联关系智能知 识图谱的帮助下，招商银行 2020 年一季度末公司业务 贷款不良率为 1.72%，较上年末下降 0.12 个百分点， 并且自 2018 年二季度开始出现持续下降的趋势。 招商银行风险门户在海量数据库资源以及强大的 AI 算 力嵌入业务式赋能下，实现了企业信息智能搜索，企业 风险信息智能关联，企业舆情信息分析，企业图谱、个 人图谱关联分析，行内信息智能视图，以及客户内外部 风险评估，能够帮助银行在企业信贷过程中因关联企业 识别不充分而造成的各种风险。 目前，招商银行建立的知识图谱体系，可以将行内外数 据进行分析挖掘，打通存贷关系，建立包含企业、个人、 关系、事件的关系图谱，实现实时、灵活的风险预警与 深入、广泛的客户洞察。 图 2-2：招商银行不良率 图 2-3：招商银行知识图谱 资料来源：招商银行，零壹智库 资料来源：招商银行风险门户，零壹智库 金融科技将彻底改变商业银行的服务模式、 营销模式、风控模式、运营模式 , 最终改变 银行的增长曲线。 田惠宇 招商银行行长 “ P 18 中国金融科技风控报告 （2020） 招商银行风险门户可以将各种数据源中获取的数据进行分析和融合，转化成 具有实体、关系、属性为基础的图数据结构，将实时、动态的数据进行结构 化处理，采用图论相关算法，针对行内外企业信息关系知识图谱挖掘，通过 关键路径智能算法提取核心节点进行图谱计算和关联，深度融合客户相关的 外部数据以及内部交易结算等信息，并在此基础上构建了股权投资关系、对 外投资关系、控制人关系、集团关系、交易关系、担保关系、诉讼关系、疑 似关系、地址关系和事件关系的企业关联关系，将线性数据、碎片化信息通 过人工智能算法结构化构建，实现招商银行信息数据流通闭环。 功能一 功能二 信息智能搜索 智能搜索：支持企业名称、股东高管、 电话号码等多维搜索 分类搜索：快速精准搜索以获取企业工商信息、股 权结构、企业图谱等 风险智能关联 风险信息 ： 获取企业法院公告、 法院判决、 失信信息、被执行人等数据，通过数据 分析，掌握风险信息 百度智搜：实时获取企业涉及民间借贷等负面信息 舆情信息分析 风险舆情：以时间维度展示企业舆情负 面信息故事链 政策智读：对国家部委等机构发布的政策公告分类 汇编，智能分析政策影响力 图谱关联分析 企业图谱：运用 GraphX 图计算与关联分 析，融合相关外部数据和内部交易结算 等信息，构建十大关联关系 个人图谱：展示股东高管对外投资于任职情况 信息智能视图 提供包含征信信息、风险资产视图、存 款结算信息、实控人信息 展示包括企业的基本、关联、信贷、担保等信息， 和未结清业务等信息 内外风险评估 结合客户内外部信息，形成风险评估报告 考察维度包括：内外部风险信息、 内部外资信信息、 股权关系、融资信息、结算往来、关注信息等 表 2-1：知识图谱主要功能 资料来源：招商银行风险门户，零壹智库 P 19 招商银行风险门户通过超 2000 项数据渠道来源，对于 企业工商信息、司法信息、权利抵质押、市场数据、经 营数据、交易信息、担保信息、融资分析、新闻舆情、 实控人信息等银行内外数据多维度、多渠道路径进行实 时、动态地信息数据深度关联和风险监控。另外，风险 门户还能实现客户大数据评级、对公智能预警、CVM 贷前流程风险报告对接、CVM 贷后信号和报告数据对 接等功能。 图 2-4：招商银行风险门户知识图谱特点 资料来源：招商银行风险门户，零壹智库 高质量外部数据源 （工商、 风险、 经营等数据） ， 并整合行内信 贷 、担 保 等全量信息 ， 实时获取互联网舆情信息。 优质海量数据全覆盖 01 支持一事通 ， 移事通及CVM多入口访问 ， 操作方便 ， 全县无需 单独设置 。 访问便捷， 与业务流程无缝对接 02 适应多种业务场景 ， 并可针对不同角色 、 不同用户 、 不同机构 进行个性化内容定制 。 可扩展性强， 灵活支持各项业务场景 04 自主搭建离线分析平台 （包括关系型数据、 非关系型数据、 Hadoop集群、 Spark计算框架以及及其学习服务器） ； 研究运用LSTM网络、 XGBoost模型等机器学习技术 ， 实现 风险舆情实时获取； 通过GraphX图计算与关联分析 ， 建立网络关系特征 ， 捕捉企 业间的关联关系 。 强大AI算力及智能AI算法 03 自风险门户正式上线以来，截至 2019 年 4 月末，招 商银行累计使用的分行、子公司总计 55 家，总访问 人数 8280 人，总访问人次总计 91423 次，被查看过 的企业数量达 75596 家，在全国范围内得到了广泛使 用。风险门户有效地帮助客户经理和风险经理进行风 险排查工作，减轻了员工在外部软件的使用成本，通 过内外部数据聚合，梳理客户风险信息，提升了风险 排查工作的效率。 图 2-5：招商银行风险门户 CVM 资料来源：招商银行风险门户，零壹智库 客户大数据评级、 对公智能预警： 工商信息 （ 含涉诉 ） 、 舆情信息 与关联关系等外部大数据信息作为风险衍生变量 ， 为客户大数 据评级 、 对公智能预警模型提供支持 。 CVM贷前流程的风险报告对接： 将风险报告信息嵌入到授信申 请和审批 、 额度建立和生效 、 提款申请和审批 、 合同生效等环节 。 CVM贷后信号和报告数据的对接： 风险门户向授信后监控推送 风险预警信号 ， 同时在贷后报告中引入风险门户的工商 、 司法等 外部信息 。 风险信息应用 客户大数据评级 对公智能预警 C VM贷后信号和 报告数据的对接 P 20 中国金融科技风控报告 （2020） % % % % % % 北 京 分 行 上 海 分 行 深 圳 分 行 广 州 分 行 南 京 分 行 杭 州 分 行 济 南 分 行 武 汉 分 行 重 庆 分 行 福 州 分 行 使用人数 人数 使用率 客户经理使用率 风险经理使用率 北京分行502人 上海分行492人 深圳分行491人 广州分行372人 南京分行336人 使用人数TOP 西宁分行67.27% 福州分行65.04% 南通分行64.17% 重庆分行63.82% 温州分行60.68% 使用率TOP 客户经理使用人数及占比: 4409 47.91% 风险经理使用人数及占比: 2218 61.19% 全行使用情况 图 2-6：招商银行风险门户上线使用情况 资料来源：招商银行风险门户，零壹智库 据招商银行透露，深圳分行在跟踪客户 GXXZ 集团 时，在行外企查查、公开司法查询等渠道并无相关 股权风险信息，日常跟踪和贷后现场也没有得到有 效信息，但透过风险门户，获悉该客户质押在招行 的股权被冻结，分行第一时间和企业联系沟通，确 定解决方案。 另外， 招商银行风险门户还将上线个性化风险报告、 风险监测、债券信息、股票信息、分行专区、附近 企业和快讯等功能，进一步加强客户行内外风险信 息整合， 提高风险风险分析工作的精确度和效率值。 ( 二 ) 第三方支付场景 1. 第三方支付传统风控痛点 总体来看，第三方支付面临着技术风险、流动性风 险、政策风险、合规风险、欺诈风险和洗钱风险等。 一般而言，支付机构的风险管理部门由风控总监负 责，由风控经理对事前交易、事中交易和事后交易 进行全局统筹管理，之后上报给风险总监。以往， 支付一笔款项的手段很简单，通过刷卡交易或者银 行转账完成，风控经理运用传统金融的风控模型、 方式来对支付交易风险进行预警和排查。但随着支 付业务的创新与高速发展，扫码支付、刷脸支付、 声纹支付等技术日新月异，线上线下等多个支付场 景涌现，交易规模激增对传统支付风控模式造成了 巨大的挑战。 据前瞻产业研究院数据统计，2013 年我国第三方 支付规模为 13.9 万亿元，经过 6 年的高速发展， 2019 年的支付规模为 372.3 万亿元，预计到 2022 年将达到 548.6 万亿元。在第三方支付交易规模激 增的情况下，传统的风控体系已经无法支撑巨大的 支付交易量，大量的数据泄露、漏洞威胁、人身信 息、勒索软件和外部攻击等问题不断出现。 图 2-7： 2013-2022 年中国第三方支付综合支付交易 规模统计及增长情况预测 资料来源：前瞻产业研究院，零壹智库 P 21 2. 金融科技风控助力第三方支付 在大数据、人工智能、生物识别等新技术帮助下，许多第三方支付机构都搭建了智能风控体系，能 够在支付交易的事前、事中和事后对风险事件进行实时监控。 一般来说，支付机构会面临洗钱、套现、非法集资、电信欺诈、预授权、拒付交易、伪卡交易等风 险。金融科技风控主要是从商户进件审核中对虚假商户、二清商户以及预授权商户进行监控；针对 商户交易侦测，主要是围绕疑似伪卡商户、伪卡商户点进行监控。 事前监控的风控目标主要是建立商户信用管理系统、建立商户准入入网库、建立图像识别神经网络 模型以及建立黑白名单。 针对虚假商户的侦测和预防， 首先会整理筛选全部商户数据进行数据清洗， 之后通过不同渠道鉴别资料真伪以及图像识别上传的照片是否 PS，对于标记为风险商户的客户， 支付平台会对其定期跟踪。 在事中监控上，风控的主要目标是建立符合公司要求的风控交易规则，使用机器学习算法计算风险 交易，建立数据实时流计算以及建立黑、白名单。针对电信诈骗、套现以及反洗钱等工作，金融科 技风控平台首先会整理数据库，筛选有用的交易数据，再利用风控规则监控交易流水，并同时查看 历史交易流水和黑白名单设置，最后向业务部门提交整改建议，对于逾期不进行整改的部门会采取 有效的惩罚措施；针对预授权交易问题，风控平台会整理数据库筛选有用的交易数据，同时检测商 户是否归属于预授权商户以及图像识别，当检测出异常交易时会停止虚假商户的预授权使用；针对 图 2-8：金融科技风控事前处理 资料来源：零壹智库 事前评估 建立商户信用管理 建立黑名单、白名单 建立商户准入入库 建立图像识别神经网络模型 会员管理系统 有助于后期交易监控和交易处置工作 商户基础资料库 图像识别真假图片 1 4 2 3 P 22 中国金融科技风控报告 （2020） 数字化风控平台会整理数据库中全部商户数据进行数据清晰，同时利用爬虫技术爬取对应商户的营 业执照号和名称，并通过图像识别上传的证件照是否被 PS，最后经由数据库进行匹配，对伪卡商 户定期进行跟踪。 在交易完成后，风控系统会进行事后检查，对主要案件进行分类统计，并验证风控模型的结果是否 与实际相符。 图 2-9：金融科技风控事中处理 图 2-10：金融科技风控事后处理 资料来源：零壹智库 资料来源：零壹智库 事中评估 建立符合公司的风控交易规则 建立黑名单、白名单 使用机器学习算法计算风险交易 建立数据实时流计算 得到实时最优风控规则 将风险扼杀在摇篮里 1 4 2 3 事后评估 建立良好的培训体制 建立黑名单、白名单 降低因人为因素造成的损失 归档协助公检法 1 4 2 3 P 23 图 2-11：AlphaRisk 智能风控引擎 资料来源