個人風險評估是銀行等金融機構對個人客戶還款意愿和還款能力水平進行的系統評估。如果客戶需要在銀行或者金融機構貸款都需要進行個人風險評估。

傳統的個人風險評估一般需要依靠大量的人力和時間，對個人的基本信息尤其是是財務信息進行審核和背調，非常依靠審查人員的專家經驗，所以缺點也是顯而易見，目前只能作為輔助手段。然而銀行等金融機構的個人風險評估還存在大量的人為因素，如何進一步減少人治的色彩將成為銀行業走向成熟的關鍵，也是數字化轉型的重要抓手。

隨著大數據和人工智能技術的發展，個人風險評估的智能化水平也越來越高，評估時間大大縮短，評估效果更加精準。作為人工智能風控領域的專家，個人風險評估是冰鑒科技的一大明星產品，在市場中具有極高的使用度和占有率，可以助力銀行等金融機構實現數字化轉型。

近日冰鑒科技在國際知名競賽平臺Kaggle上斬獲的金融風控競賽銀牌，就是對信用卡使用人群進行個人風險評估以此推斷信用卡違約率的一次優秀實踐。

據冰鑒科技金融算法團隊介紹，他們為每個信用卡用戶生成在3月/6月/12月等不同時間窗口下的統計特征（例如：均值、標準差、最大值、最小值）、指數加權衰減平均特征和最近狀態變化特征等，最終衍生出近萬維特征向量。

通過分析特征分布隨時間的變化特性，篩選穩定性較好的特征，以保證模型在OOT效果上的泛化能力。同時結合相關性、IV值等對特征進行篩選，在保留表達能力的同時降低數據規模。對訓練樣本進行五折劃分，構建可靠的交叉驗證方案，有效評估每次模型修改和參數調節的效果變化，依托冰鑒科技的計算資源，在較大的模型和參數空間中搜索較優解。

在該比賽中，除了基于特征工程加機器學習模型的方案，冰鑒科技金融算法團隊還使用了時序神經網絡模型。對原始特征進行One-hot編碼、特征分類PCA降維、AutoEncoder編碼等不同方式處理后，得到信用卡用戶每個月狀態的表示向量，按時間先后順序輸入GRU模型，讓模型自動學習更復雜的表示特征，并后接全連接層完成違約分類任務。

整個方案訓練得到LightGBM、MLP、TabNet、GRU等多種模型的多個版本，基于單模型效果按特定比例進行融合，得到最終集成模型，在4875支參賽隊伍的角逐中排名前2%，斬獲銀牌。

隨著科技的繼續發展，智能化的個人風險評估手段和方法也將持續地迭代優化，以AI賦能金融，更加關注長尾人群的金融需求，助力普惠金融，實現消費升級。