【李斯克FM42.5】闭着眼睛学FRM®-机器学习在风控的应用

这篇论文其实跟上一篇的关联性还是比较强的，所以有了上一篇的基础，这篇论文学起来还是相对简单的。

本期主要讲的是机器学习在风控领域的应用。其中应用详细举了3个案例，信贷风险建模、诈骗和洗钱的甄别以及异常交易分析。

作者在背景介绍里引入了监督性学习和无监督性学习的概念。机器学习可以应用在三种类别的统计学问题中，分别是回归，分类和聚类。其中回归问题和分析问题都是可以通过监督性学习解决的，而聚类问题是通过无监督性学习解决的。

监督性学习：分组前知道数据不同

无监督性学习：没有属性的区别

回归：找到定量的关系，线性关系和非线性关系

分类：通过决策树，支持向量机

聚类：事先没有分类标准。

像上篇论文讨论的，机器学习存在解释力度不强的问题。当一个模型的预测性越好，也就意味着它越复杂，解释力度越弱。它的模型更多地是揭示相关性而非因果关系。

过度复杂的模型同样会导致过度拟合的问题（把偶然当成必然）。而解决过度拟合的问题，文章也粗略介绍了集中方法：bootstrapping、boosting和bagging。如Boosting，就是解决数据稀缺性问题；如Bagging，就是利用不同的子样本通过运行上百次模型，去优化它的预测性。

最后，主要介绍了三种应用场景：

信贷风险和收益模型：

金融机构开始运用机器学习去优化金融风险预测，比如研究还贷款和不还贷款的行为。银行现在拥有海量的贷款数据作为数据源去分析信贷风险，但是最大的问题仍然是机器学习模型过度复杂引起的过度拟合问题。监管机构出于监管的要求，会要求模型尽量简化和清晰。

欺诈：

机器学习近年来取得重大进展的应用就是关于监测信用卡欺诈。高频的信用卡交易数据提供海量的数据源去算法训练、回测以及验证。银行针对信用卡诈骗是有一套标签分类标准的。但是，从交易系统中甄别洗钱行为和恐怖融资就不是那么简单了。由于系统暂时还不具备分析复杂交易结构的能力，风险预警和筛选还是需要大量的人力投入。目前，聚类方法主要应用在反洗钱的甄别中，它可以自动发现数据的内在规律而不需事前标签，主要通过在数据子集找到异常值。

异常交易：

异常交易甄别的准确率逐年提升。从过去只能通过系统监测单笔交易的交易行为，到现在可以甄别交易组合通过机器学习链接交易信息和其他行为信息，包括邮件，行事历安排，工作打卡以及电话记录。举个例子，如果一个交易员的行为或者交易表现跟正常的行为有不同，系统会自动发出预警到金融机构的合规组。由于这种数据源也是非事前标签的，所以主要是用无监督性学习。

此外，为了方便大家更好地跟上老师的音频，小编还特意画了思维导图。

以上就是我给大家盲听完做的导读，更详细的讲解可以听李老师的课程哦。

思维导图的高清版在公众号后台回复【FM42.5】获取网盘链接。

精彩内容都在音频里了。

希望大家学Current Issues也像学Ethics那样轻松愉快。

让李老师带着你，你们带着耳朵。

公车上，地铁上，出租车上，上班通勤时间闭着眼睛学Current Issues。

好了，第三期让我们来了解

Vol.3   Machine Learning:A Revolution in Risk Management and Compliance?

(由于微信的限制，每篇只能放一个不超过30min音频，我们把第二部分放到次文，此外完整版的音频放到了喜马拉雅上，扫码找到【2018-Vol.3】就可以收听，想一边听一边看文章，可以在聊天中置顶哈。）