风控模型算法常见于金融领域，包括但不限于商业银行、持牌消费金融公司、汽车金融公司、互联网金融、保险公司、互联网上市公司等各行各业。随着NLP、机器学习算法、神经网络技术等快速发展，大数据风控模型已经广泛应用于各类商业领域。
一、什么是风控模型算法？
风控模型算法是一个比较泛泛的概念，包括很多内容，依据贷款流程，可以分为贷前、贷中、贷后风控模型，依据风险控制的对象又可以分为企业风控模型和个人风控模型，其中企业风控模型基于场景又可以细分为财务风险模型、税务风险模型、担保风险模型、订单和库存风险模型、进出口风险模型、关联风险模型、僵尸企业识别模型等等，而这些模型中又包括各种各样的算法，其如在金融风控模型中，常用的且比较经典的算法——逻辑回归(logistic回归)、决策树、线性回归、神经网络、K均值聚类分析、极限梯度模型。
二、风控模型算法有哪些？
1、逻辑回归模型
逻辑回归模型最早可以追溯到 1830 年代，当时比利时统计学家 P.F. Verhulst 发明它来描述人口动态。
之所以常用于风控模型，主要在于其优点比较突出，包括但不限于该模型结果可解释较强，模型适用性较好，可以适用于连续性和类别性自变量，此外，预测结果是介于0和1之间的概率，因此，该算法被广泛使用。
2、风控模型算法—层次聚类算法（Hierarchical Clustering）
层次聚类算法将相似样本合并为为一簇，并不断迭代，生成聚类的过程，如下图
K均值（Kmeans）聚类算法是一种无监督学习聚类算法。对数据集中在某些方面相似的数据成员进行分类组织。通过指定想要划分的类别个数K，将没有标注的 M 个样本通过迭代的方式聚集成K个簇。其中，样本间的相似度以样本之间的距离作为指标来划分。
备注：Kmeans算法的所有账户聚类结果 K=3
冰鉴科技基于K均值（Kmeans）聚类算法开发出了经侦反洗钱解决方案，基于银行帐户交易流水数据，为经侦在线索梳理和案件侦破过程中提供更便捷、更高效、更智能的技术方案支持。
3、XGBoostT
XGBoostT全称极限梯度算法，是由2016年由华盛顿大学陈天奇老师带领开发的一。XGBoost是一个可供用户轻松解决分类、回归或排序问题的软件包。它内部实现了梯度提升树(GBDT)模型，并对模型中的算法进行了诸多优化，在取得高精度的同时又保持了极快的速度。目前，已经广泛应用于各类风控模型领域。
线性回归、神经网络等其他三类算法在金融风控、经济预测等模型搭建领域也是比较常见的，再次不一一介绍。
好了，以上是对风控模型算法的介绍，欢迎交流。
