风控作为金融业务的“命脉”，被视为智能化技术落地的重要落脚点。过去，传统风控模式受限于对人工的依赖，风险识别的响应速度和风险预测的精准度存在一定局限性。而随着人工智能、机器学习、大数据等技术的日益成熟，如今，越来越多的金融机构正在通过智能风控手段，实现自动化和智能化风险识别和风控决策。一方面，它可以实时处理大规模数据并迅速作出决策，从而提高风险识别和应对速度；另一方面，它还能对历史数据和模型预测未来风险，提前采取措施进行预防。在 InfoQ《超级连麦. 数智大脑》直播中，华盛证券技术 VP 黄曙光从华盛证券的经验出发，介绍了券商的智能⻛控实践场景，智能⻛控在不同场景的落地挑战和解法 ，以及真正发挥智能⻛控价值的路径和⽅法。以下是分享全文（经 InfoQ 进行不改变原意的编辑整理）：智能风控更多地基于人工智能和大数据技术，来实现风险的识别、评估和控制。它的目标是通过自动化手段，识别、评估和应对风险，但实际上其背后的目的是提高效率和准确性，从而降低金融行业交易和业务活动的风险，以确保机构和客户的安全，同时满足合规要求。因此，我认为智能风控与传统风控之间的主要区别在于其目标、采用的技术方案以及技术上的差异，这导致了它在效果和成效方面存在着一定的差异。其中，准确率和效率是两个重要的方面。在传统风控中，我们主要采用人工分析和规则，依赖专业的风险管理团队进行决策，强调人的参与。然而，智能风控则更加依赖机器，运用人工智能和机器学习等技术来自动学习和优化模型，以实现自动化的决策。从这方面来看，智能风控的核心价值在于辅助决策。在响应速度方面，人的反应速度显然较快，但也导致了高成本和较长的响应时间。相比之下，智能风控则以机器为基础。举个例子，在风控的事前预测中，差异明显。如果我们依赖人工方法，券商领域可能会面临挑战，因为在事前风控中，追求速度极快的风险预测在传统风控中较为困难。相反，在智能风控中，我们可以通过技术手段实现适度和精准的风险处理。因此，风控是金融行业最基本的核心事务之一。接下来与大家分享我们公司在自动风控方面的实践和经验。首先，从券商领域的风控出发，在用户的整个交易链条中，涵盖了营销链路风险、交易前风险、交易中风险以及交易后风险等几个层面。这些风险类别包括超额风险、信誉风险以及市场风险等，如何在各个场景中处理风险是关键。先看营销风险控制。这里要特别注意对客户基本注册信息时的风险识别，因为我们在进行营销推广时投入了大量资源，但在转化需要对客户进行 KYC 身份认证，通过大数据技术来识别用户是否符合监管要求，以保障交易过程中不同品种和品类的合规要求。这在金融领域是一个基础要求。在事前风险方面，我们分析用户下订单前的规则是否满足交易所和监管的要求，并判断用户是否有足够的购买力完成交易。这涉及信用风险的评估，需要判断用户是否有足够的资本进行交易。尤其对于融资类用户，我们分析其是否存在亏损风险，帮助用户及时控制风险。在交易事中，我们通过自动化手段帮助用户快速做出决策，分析交易风险。交易事后，我们关注保证金设置、股票集中度风险等，以确保交易的合规和稳定。我们致力于开发策略，使持仓保持稳定，避免高股票集中度带来的风险。另一个重要的风险类别是市场风险，其中包括操作风险、信用风险和市场风险。我们需要根据市场行情和数据来评估这些风险。市场风险有时可能并非针对特定用户，而是起到提示作用，向用户发出风险提示，帮助他们了解市场风险，减少资金损失。这有助于增加用户对我们平台的信任度。此外，舆情风险也是一个重要方面。我们通过自然语言处理和情感分析等技术，监控社交媒体和公开信息，以判断股票的热度和市场用户的情绪。这有助于我们了解市场走势，帮助用户避免潜在的风险，同时也提供了更好的市场判断依据。如前所述，智能风控的核心依赖于大数据和人工智能技术，其中人工智能的核心是确定策略和构建适当的模型。因此，智能风控落地的第一个关键挑战是数据隐私和安全的问题。金融数据涉及用户隐私，因此必须严格控制数据的合法使用和防止泄露和滥用，以满足合规要求。第二，互联网券商的数据来源广泛，这就对数据的准确性和完整性，以及券商对数据的加工整合能力提出了更高的要求。数据的准确性，将直接影响智能风控分析决策的准确性。第三个挑战来自于市场环境，尤其在券商行业，交易的实时性和复杂性都非常高，智能风控需要不断适应市场情况和交易模式，必须具备灵活性以应对各种情况，包括突发事件如黑天鹅和灰犀牛。第四，技术升级带来的挑战。智能风控涉及到大量的数据存储和实时处理，这需要大量的成本和技术投入。这意味着，智能风控的实施会受到企业愿意承担的成本和技术人员素质的限制。成本方面，企业需要考虑投入大量资源来支持数据存储和处理的需求。同时，技术人员需要具备深入理解业务属性、政策要求和交易系统的复杂性的能力，这对人员素质提出了较高的要求。对于这些问题，有哪些解决方案呢。从数据隐私和安全角度来看，特别是对于海外业务，我们不可避免地需要遵循 GDPR 的要求。因此，在数据存储、访问、流转和应用等方面，我们必须严格遵守 GDPR 的安全措施，确立明确的规范制度。在数据访问和应用过程中，必须明确使用范围和目的，以确保数据的安全性和合规性。这一点在智能风控领域以及其他数据应用场景中都具有重要意义。在数据质量方面，我们需要更多地进行数据清洗和二次校验，对数据集进行调校和校准，以确保数据的准确性。通过数据质量的回溯和清洗，可以降低不准确数据带来的影响。针对市场环境的不确定性，我们需要构建多维度的智能风控模型，兼顾历史积累和未来预测，以适应不同的市场情况和风险。此外，针对技术升级，我们需要与公司管理层进行充分沟通。风控作为金融公司的基石，本身具有业务价值。因此，公司在风控方面的投入应该是有倾斜度的。同时，在培养风控团队方面，我们应当从大数据和算法两个角度出发，建立一个专业的智能风控团队。智能风控价值的发挥，核心在于如何通过智能风控帮助客户降低风险。首先，我们可以在交易之前辅助用户进行合理的资产配置和风险评估，了解用户的风险承受能力，对其当前持仓进行风险评级；同时，可以关注用户的投资偏好和行为，以提供有针对性的投资建议，从而降低投资风险。在这一过程中，用户画像和分析是关键，有助于区分专业投资者、一般投资者，以及偏好波动性或抗风险性的投资者。
另外，我们也应该关注市场的变化，进行舆情监控和预警。通过多渠道获取数据，分析股票热度和市场倾向，及早发现可能影响市场情绪和投资的信息，以便做出快速应对。交易事中阶段，我们有一系列手段可以应用。例如，可以防止用户进行自交易，以应对洗钱和欺诈风险。通过智能风控技术，可以判断每笔交易是否涉及到此类风险，并阻止不当交易行为，确保金融系统的合规性。此外，对于量化交易，我们可以为用户提供更多投资方式，不限于简单下单。通过量化策略优化，降低投资组合波动性，提高收益率，进一步拓展我们的业务范围。总的来说，智能风控的路径和方法是多维度的，涵盖了事前、事中和事后的风险管理。通过合理的资产配置、风险评估、舆情监控、反洗钱和反欺诈防范和量化交易优化等方法，我们可以充分发挥智能风控的作用，为客户降低风险，提升投资体验。在这个过程中，技术底层也需要做哪一些升级和优化。比如，在大数据方面，需要升级整个大数据平台，从之前的简单离线数据仓库建设，转向更实时、更复杂的数据平台，例如 Lambda 架构等。再比如，在 AI 层面，有几个关键点需要关注。首先是将策略与代码分离，这需要进行一些分层升级。其次是对模型进行微调，尤其是对于风控场景，可能需要进行一系列的模型训练。关注「InfoQ 数字化经纬」公众号，公众号对话框内输入「华盛」 便可下载本次演讲的 PPT。
黄曙光，华盛证券技术 VP，TGO鲲鹏会深圳学员。负责带领华盛通科技术中心支持业务的快速增长，同时致力金融科技产品的创新。拥有近 20 年软件开发及管理经验，曾就职于阿里、云途时代、工商银行等国内外大型知名互联网和金融公司。首届 FCon 全球金融科技大会将于 11 月 19-20 日在上海举办。大会将围绕金融领域数字化转型挑战探索、DevOps 在金融企业落地实践、金融行业大模型应用、创新的金融科技应用、金融实时数据平台建设之路、金融安全风险管控、数据要素流通与数据合规等 10+ 专题进行交流。目前大会邀请了汇丰科技中国区的代理总经理马国栋、度小满金融数据智能部总经理杨青、蚂蚁集团副总裁 & 首席技术安全官韦韬博士、恒生聚源总经理吴震操担任大会联席主席。更多嘉宾仍在邀请中......我们诚挚地邀请您加入我们，共同探索金融科技的未来。目前 5 折 优惠购票，仅限前 100 人，咨询购票可联系：17310043226（微信同手机号）。 福利通道关注「InfoQ 数字化经纬」公众号，公众号对话框内输入「华盛」 便可下载本次演讲的 PPT。
关注【InfoQ 数字化经纬】公众号，回复“抽奖”可以参与本周活动，有机会获得定制礼品。
加入数字化读者群进行交流，搜索并添加小助手微信 moment_Kimmy，备注“进群”。