如何利用大数据做金融风控

风控体系：事前、事中、事后调控
整个风控体系包括几个环节：
事前：在风险发生之前就要通过对风险舆情的监控发现风险，比如在某些恶意的欺诈团伙即将发动欺诈攻击前就采取措施来提前防御，例如通过规则加紧，把模型阈值调高等方法；事中：信**申请，在线上注册激活的过程中，根据自动风险评估，包括申请欺诈，信用风险等来选择是否拒绝发放贷款；事后：贷款发放以后的风险监控，如果借款人出现与其他**的新增申请，或者长距离的位置转移，或者手机号停机等信号，可作为贷后风险预警。如何提前在网络中把骗子揪出？最基础的技术：设备指纹
在介绍整个风控体系时我认为，对于网络行为或者线上借贷，最最基础或者最最重要的技术是设备指纹。为什么呢？从上图中我们可以看到，网络上的设备模拟或攻击，比如各种各样的自动机器人，实际上是对网络环境造成极大的干扰，在信贷中会导致信用风险的误判。这个是第一道。网络设备最关键的地方是要实现对设备唯一性的保证，第二是抗攻击，抗篡改。网上有各种高手会进行模拟器修改，修改设备的信息和干扰设备的定位等以各种手段来干扰设备的唯一性认定。所以对抗这样的情况的技术要点在于：抗攻击、抗干扰、抗篡改。另一方面能够识别出绝大部分的模拟器。设备定位：基站和wifi三角定位
a.非gps定位
值得注意的是，在模拟器或者智能设备系统里面它可以把gps定位功能关掉。而如果通过将基站的三角计算或者wifi的三角计算定位结合起来，定位的精度较高，且不受gps关闭的影响。这可以应用在信贷贷后管理，用来监测借款人的大范围位置偏移。b.地址的模糊匹配
对于位置来讲还有一个重要方面是地址的模糊匹配。在**或者线下放贷中，地址匹配是一个重要的风险审核因素，但是地址审批过程存在一个问题：**与**之间因为输入格式不同或者输入错误等问题造成难以匹配，那就需要模糊算法来进行两两匹配，以及数个地址之间进行比对，或者在存量库中搜索出历史中的风险或者相关性名单来进行比对。这其中涉及的技术包括模糊匹配算法和海量地址的管理和实时比对。复杂网络
复杂网络有时候大家称之为知识图谱，但这中间有点区别：复杂网络更偏向于从图论的角度进行网络构建后进行实体结构算法分析，知识图谱更偏重于关联关系的展现。网络分析最重要的一点是具有足够的数据量，能够对大部分网络行为进行监控和扫描，同时形成相应的关联关系，这不仅是实体与实体之间、**与**的关系，并且体现出“小世界（7步之内都是一家人）”、“幂分布”等特征。