金融信贷风控模型显著有别于传统互联网如计算广告、推荐系统等的算法建模。信贷风控模型样本总量稀少、反馈周期长、易受宏观、政策等外部干扰，特别是 2020 年新冠肺炎疫情的爆发，更是彻底改变了整个风险曲线。金融信贷又是一个长生命周期的业务，通过结合业务知识，深度洞察用户数据，利用大数据和深度学习、图关联网络、样本对抗等技术，在传统信贷风控的基础上显著提升了模型的性能，并有效地缓解了如疫情等突发事件对整个风控模型的影响。

演讲提纲：

1. 金融信贷风控建模的特点及难点
   • 传统评分卡模型
   • 样本和标签选择
2. 金融信贷复杂特征衍生方法
   • 高维组合
   • 神经网络
   • 图网络
3.  疫情下的风险建模优化方法
4. 风控模型在策略应用上的要点
   • 稳定性
   • 可解释性
   • 分客群优化

你将获得：

1. 风控模型的重点、难点问题
2. 风控模型建模的一些有效方法
3. 特殊环境下的风控模型优化方法

传统信贷业务管理主要关注静态业务指标，如 3 期逾期风险、未来 90 天动支概率等，很少关注动态的指标。一个用户在不同时间点发生逾期，对机构产生的价值或者说带来的损失是不一样的，用户随时间变化的趋势本身对于业务管理也是有效的信息。如果引入时间维度，关注用户业务指标随时间的动态变化可以帮助我们实现对用户全生命周期的精细化管理方案。通过创新性发明 GBST 算法、搭建动态的价值预测框架等手段，我们为用户全生命周期管理提供了丰富有效的模型工具，并且在风险、动支、流失和价值管理方面实现了实际的业务成效。

演讲提纲：

1.  背景介绍
   • 业务背景介绍
   • 用户全生命周期管理体系介绍
2. 支持用户全生命周期管理的算法和模型框架介绍
   • GBST 算法介绍
   • 动态的价值模型框架介绍
3. 用户全生命周期管理实践案例
   • 风险管理实践案例
   • 额度管理实践案例

你将收获：

• 了解引入时间维度的机器学习算法和框架
• 了解用户全生命周期业务管理新思路

本次分享将会介绍两个机器学习在金融领域的探索落地场景：1. 用深度学习提取时序数据的特征，并赋能风控和智能营销场景的案例；2. 同亚马逊 AI Lab 合作，用 DGL 框架提取关系网络特征，并赋能在反欺诈领域的案例。

演讲提纲：

1. GNN 图挖掘
2. 时间序列模型

你将获得：

1. 了解金融数据挖掘的前沿方法
2. 了解如何用深度学习技术，从时序数据中提取特征
3. 了解图挖掘技术和如何应用在金融反欺诈领域