个人风险评估是银行等金融机构对个人客户还款意愿和还款能力水平进行的系统评估。如果客户需要在银行或者金融机构贷款都需要进行个人风险评估。
传统的个人风险评估一般需要依靠大量的人力和时间，对个人的基本信息尤其是是财务信息进行审核和背调，非常依靠审查人员的专家经验，所以缺点也是显而易见，目前只能作为辅助手段。然而银行等金融机构的个人风险评估还存在大量的人为因素，如何进一步减少人治的色彩将成为银行业走向成熟的关键，也是数字化转型的重要抓手。
随着大数据和人工智能技术的发展，个人风险评估的智能化水平也越来越高，评估时间大大缩短，评估效果更加精准。作为人工智能风控领域的专家，个人风险评估是冰鉴科技的一大明星产品，在市场中具有极高的使用度和占有率，可以助力银行等金融机构实现数字化转型。
近日冰鉴科技在国际知名竞赛平台Kaggle上斩获的金融风控竞赛银牌，就是对信用卡使用人群进行个人风险评估以此推断信用卡违约率的一次优秀实践。
据冰鉴科技金融算法团队介绍，他们为每个信用卡用户生成在3月/6月/12月等不同时间窗口下的统计特征（例如：均值、标准差、最大值、最小值）、指数加权衰减平均特征和最近状态变化特征等，最终衍生出近万维特征向量。
通过分析特征分布随时间的变化特性，筛选稳定性较好的特征，以保证模型在OOT效果上的泛化能力。同时结合相关性、IV值等对特征进行筛选，在保留表达能力的同时降低数据规模。对训练样本进行五折划分，构建可靠的交叉验证方案，有效评估每次模型修改和参数调节的效果变化，依托冰鉴科技的计算资源，在较大的模型和参数空间中搜索较优解。
在该比赛中，除了基于特征工程加机器学习模型的方案，冰鉴科技金融算法团队还使用了时序神经网络模型。对原始特征进行One-hot编码、特征分类PCA降维、AutoEncoder编码等不同方式处理后，得到信用卡用户每个月状态的表示向量，按时间先后顺序输入GRU模型，让模型自动学习更复杂的表示特征，并后接全连接层完成违约分类任务。
整个方案训练得到LightGBM、MLP、TabNet、GRU等多种模型的多个版本，基于单模型效果按特定比例进行融合，得到最终集成模型，在4875支参赛队伍的角逐中排名前2%，斩获银牌。
随着科技的继续发展，智能化的个人风险评估手段和方法也将持续地迭代优化，以AI赋能金融，更加关注长尾人群的金融需求，助力普惠金融，实现消费升级。
