[美好，一直在身边]360金融行业破题方案受国际认可 |人工智能|技术|算法|

360金融风控算法团队的一篇论文《Effective Automated Feature Derivation via Reinforcement Learning for Microcredit Default Prediction》被人工智能国际顶级会议IJCNN2020录用。
国际神经网络联合大会（International Joint Conference on Neural Networks ，简称IJCNN）是由国际电气与电子工程师学会（IEEE）主办的神经网络领域的最权威的国际学术会议之一，至今已经有30多年的历史。从论文方向来看，大会收到论文所研究的技术方案涵盖了神经网络和相关学习系统的多个方面，包括无监督学习、强化学习、卷积神经网络、认知算法和深度学习等。数据显示， 2019年， IJCNN收到了来自82个国家的1532份报告，中国入选论文寥寥。
随着金融信息化的高速发展，消费金融逐渐融入人们的日常生活，成为不可或缺的金融工具，也产生了海量的碎片化数据。而人工智能、大数据、云计算等新型技术通过对碎片信息的整合正在将金融服务推向智能化的新阶段，作为消费金融中最重要的一环，智能化风控面临着新的挑战。按照360金融团队论文提出的理论框架，金融服务业务通过引入强化学习，可以自动地完成上述海量用户数据的特征抽取，并以实际数据检验发现，此种技术尝试摆脱了对专家经验的依赖，取得了良好的效果。

本文插图
【[美好，一直在身边]360金融行业破题方案受国际认可】
Fig. 1: A typical data science endeavor.
文章指出，一直以来，信用评分卡广泛的应用于消费金融领域，评分卡的效果又极大的依赖于特征工程的质量。然而，考虑到数据的复杂程度和其中大量的冗余信息，从原始数据中抽取有效变量是一件成本非常高的事情，这其中还严重依赖专家的业务经验。针对此种情况， 360金融率先引入强化学习，从原始数据中自动的构造出针对目标任务的有效特征，以提高下游分类器的预测能力。首先，我们定义了一种变量范式将变量的结构、解释性和计算逻辑统一在一起；随后通过构造状态转换链并且将其视为一个马尔可夫连续决策过程，我们将特征构造转化为强化学习任务。实验应用结果表明，与领域专家知识和传统的遗传算法相比，该方法能够快速产出优质特征，并避免了陷入局部最优。同时，由于方法的通用性，可以迁移到其他目标任务。

本文插图
Fig. 2: The FDRL framework
360金融在业务过程中，与用户交互过程中产生了海量的行为数据，这些蓝海数据是对现有用户信用评估数据体系的一个极大的补充，然而对传统的人工特征工程也是一个巨大的挑战，存在巨大的时间和试错成本。自动特征工程的应用很好的应对了这个挑战，将日常建模和模型迭代工作减少了80％的时间和人力成本，同时，产出的优质特征也将我们的信用评估模型效果提升了10％。
自动特征工程是360金融在金融科技的一次成功应用。从360金融公布的风控数据来看，得益于卓越的风控体系搭建和前沿技术应用， 2019年Q3季度360金融M3+逾期率为1.02％，大幅低于行业平均水准。可以预见，在理论与实践的双重加持下， 360金融将为行业难题提供更多行之有效的破解方案。