大数据风控系统全面解决方案
YUNRISK风控系统产品说明
大数据云风控系统全面解决方案
https://www.360docs.net/doc/f816703969.html,
https://www.360docs.net/doc/f816703969.html,
https://www.360docs.net/doc/f816703969.html, (1)
(2)
第一章概要 (3)
第二章行业背景 (3)
2.1风控行业背景 (3)
2.2国内外风控技术现状 (4)
2.3风控行业发展趋势 (5)
第三章武汉风控在线科技有限公司介绍 (6)
3.1武汉风控在线科技有限公司介绍 (6)
3.2研发团队介绍 (7)
3.3核心技术专利 (7)
第四章大数据云风控系统介绍 (7)
4.1产品描述 (7)
4.2产品和技术优势 (8)
4.3版本介绍 (12)
4.4产品使用说明 (12)
4.5操作流程 (14)
第五章风控管理全面解决方案 (21)
5.1业务流程 (22)
5.2授信审核流程（贷前流程） (23)
5.3借款审核流程（贷中流程） (24)
5.4贷后流程 (25)
5.5风险管理全面解决方案 (25)
第六章服务体系 (27)
6.1服务理念 (27)
6.2系统定制服务 (27)
6.3培训服务 (28)
6.4售后服务 (28)
第七章联系我们 (29)
第一章概要
YUNRISK风控系统是武汉风控在线科技有限公司经过长期风控行业深厚积累而精心研发出的面向小额贷款公司，P2P公司，融资租赁公司，供应链金融公司，商业银行等金融机构的风控业务管理系统。
本文目的在于帮助客户完整理解风控系统产品。
第二章行业背景
2.1风控行业背景
当前，经济下行导致中小企业经营成本不断增加，产品销售价格因结构原因和市场原因相对走低，企业利润空间被进一步压缩，许多中小企业陷入经营困境，导致企业经营风险加大、连锁性风险陡增、潜在信用风险上升、企业主的道德风险骤升。一些重点领域的银行等金融机构信贷风险进入了一个暴露期，一些地区的金融机构已经出现不良贷款回升苗头；不良贷款高危行业中，钢铁与建材等行业信用风险快速上升，制造业领域新增的不良资产已占到整体不良资产的七成以上，与此同时经济下行也使得个人信贷中的逾期率陡增，不良贷款率上升，如何防控信贷风险，已成为商业银行等金融机构亟待解决的课题。
2.2国内外风控技术现状
序数衡量法：只能反映企业间信用风险的高低顺序，如bbb级高于bb级，但其间的级差无法进行客观量化。
Creditmetrics；Credit Risk+;Credit Portofolio View+：是组合投资的分析方法，注重直接分析企业间信用状况变化的相关关系，但是它局限于投资组合分析。
KMV：从单个授信企业在股票市场上的价格变化信息入手，着重分析该企业体现在股价变化信息中的自身信用状况，但对企业信用变化的相关性没有给予足够的分析。
FICO：FICO在方法上通常采取逻辑回归和决策树。然而，这两类方法是存在很大缺陷的。例如，逻辑回归一般只能包含至多10-15个风险因子，且各变量必须服从正态分布;决策树要求对所有申请者的分类是完全互斥的。显然，这些要求是难以满足的，由此产生的结果是“偏误”还是“错误”也很难评价。
ZestFinance：ZestFinance包含70,000个变量，利用10个预测分析模型进行集成学习或者多角度学习，并得到最终的消费者信用评分。然而，ZestFinance进行信用评估时，传统征信数据要占到至少30%清晰的用户定位，完善的征信体系支撑，是ZestFinance在美国生存的土壤。中国没有集中的征信所，金融体系也尚不完善。很难适应中国目前的信贷业务。
国内大部分中小银行信用风险管理仍停留依靠经验判断传统阶段,
以感觉、经验、关系决策:缺乏对客户信用评级、统一授信风险量化信息系统；缺乏对公司类客户、个人客户优劣的判别统一标准；缺乏对客户风险量及授信边界系统科学的模型
2.3风控行业发展趋势
随着近年来国内大数据互联网金融的蓬勃发展,顶尖的数据机构开始从事各种信用维度的数据收集、分类、查询服务,这为在线征信与量化风险提供了技术、数据基础。
2016年3月30日，人民银行、银监会联合对外发布了《关于加大对新消费领域金融支持的指导意见》其中第三条强调：优化消费信贷管理模式。鼓励银行业金融机构在风险可控并符合监管要求的前提下，探索运用互联网等技术手段开展远程客户授权，突出整体考核，推出尽职免责制度。根据客户的信用等级、项目风险、综合效益和担保条件，通过贷款利率风险定价和浮动计息规则，合理确定消费贷款利率水平。
武汉风控在线正是在这样的背景下,充分利用了国内一流的数据查询技术,运用多维度数据分析，数学建模，客观量化，机器学习算法（scikit-learn），云技术等方法，特别组织专家团队研发出一套专业的信息化风控工具——IIRCC风控系统,有效解决了各金融机构的信贷风险控制难题。
大数据时代智能风控体系建设实践
商业银行作为金融中介机构，经营的本质是对风险的承担和管理。伴随着全球金融一体化进程的加快，银行的经营环境日益复杂，面临的风险进一步加大，对风 险管理能力提出了更高的要求。随着大数据、人工智能、云计算等新一代金融科技的高速发展，驱动着包括银行业在内的经济社会各领域加速向数字化、智能化、信息化的更高阶段发展。在此背景下，商业银行应抓住机遇，充分利用大数据、人工智能等技术对传统风控模式进行创新，建立覆盖风险识别、计量、分析、处置全流程的智能风控体系，进而全面提升银行风险防控能力。 一、智能风控体系重塑银行风险管控模式 传统的风控体系中定性风险管理占主体，以主观规则及客户评级为主，存在数据获取维度窄、定量分析能力偏弱、难以精确化用户特征等缺点。评价模型一般是基于客户历史行为、数据进行预测，无法前瞻性地预测未来风险情况的变化，导致风险管理滞后。在数字化转 型的背景下，传统的风险管控模式已无法满足全面风险管控的需求。 以大数据、人工智能为代表的新技术发展为风控领域相关痛点的解决提供了很好的契机。一方面，大数据技术通过整合大量数据，包括银行内部的数据和外部机 大数据时代智能风控体系建设实践 大数据的思维方法与传统思维方式存在差异，但构建基于大数据的风控体系是发展趋势。农业银行近年来经过不断的探索和实践，在大数据智能风控方面取得了一定的成效。随着历史数据的积累和模型的丰富，通过大数据和人工智能技术的应用，能够更进一步地深入挖掘数据价值，大幅提升风控水平及效率，有助于农业银行在激烈的市场竞争中取得先机。 中国农业银行科技与产品管理局应用管理六处处长 刘刚 中国农业银行科技与产品管理局应用管理六处处长 刘刚
什么是大数据风控
什么是大数据风控 相信大家都听过大数据，大数据到底是什么？研究机构Gartner给出了这样的定义。“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。随着大数据的普及应用，大数据风控的概念随之而生。互联网金融与传统信贷公司对于大数据风控的态度有褒有贬，有认为大数据风控是一剂济世良药包治百病的，也有认为大数据风控无法适应当前市场现状的等等。本文就从五个问题展开，简单的谈一谈大数据风控。 一、什么是大数据风控：大数据风控即大数据风险控制，是指通过运用大数据构建模型的方法对借款人进行风险控制和风险提示。在现阶段，绝大多数的小微金融企业，特别是小额贷款公司，基本处于凭借人工手段（Excel表格、纸质报告）来管理公司的各项数据，往往无法归纳并利用基础数据进行有效分析（或者作最简单的统计分析）。与原有人为对借款企业或借款人进行经验式风控相比，大数据风控通过采集大量借款人或借款企业的各项指标进行数据建模分析，效率更高、统计结果更有效。 二、大数据风控还离我们多远：早在1997年，中国人民银行的开始创建企业信息基础数据库，并于2006年7月份实现全国联网查询；而中国人民银行个人信用信息基础数据库建设最早始于1999年，2005年8月底完成与全国所有商业银行和部分有条件的农信社的联网运行，2006年1月，个人信用信息基础数据库正式运行。截至2015年底，该数据库收录自然人数共计6亿多人，其中1亿多人有信贷记录。传统的贷款审核无不依托于人民银行征信系统的数据库，随着信息技术的高速发展，当前的大数据风控对于信息收集、统计、审核的要求早已超出了人行征信记录这一范畴，“大数据”+征信已经是行业内的基本审核手段。 现如今，大数据风控在互联网金融领域的运用已经不是新鲜事。在这里，不得不提阿里小贷，依托于阿里巴巴庞大的数据库，阿里小贷通过云计算来对用户数据进行分析处理，最终产生用户的信用数据。阿里数据库的数据种类之多、容量之大，使得阿里小贷能够通过现有数据来对用户违约概率进行较为精准的预测，迅速确定用户授信，真正实现信贷扁平化。目前，各大互联网金融企业均已采用大数据风控分析这一手段，蚂蚁金服、融360、拍拍贷、点融网等均开发有独立的大数据风控系统。 三、大数据风控能解决什么问题 1.有效提高审核的效率和有效性：在传统的风控审核过程中，申请人信息调查审核最为费时、费力、也最难管控，基于传统的经验审核也会造成审核结果的偏差与非有效性。引入大数据风控技术手段分析，通过多维度的信息分析、过滤、交叉验证、汇总，可以形成一张全面的申请人数据画像，辅助审核决策，可以提高审核的效率和有效性。 2.有效降低信息的不对称：信贷市场是典型的信息不对称市场，即表现为信贷公司与申请人的信息不对称，也表现为各信贷公司之间的信息不对称。信贷公司面临的主要风险为恶意欺诈，70%左右的信贷损失来源于申请人的恶意欺诈。欺诈者能够骗取贷款，利用的正是这种
P2P平台如何基于大数据做风控
P2P平台如何基于大数据做风控？ 目前，大部分的网贷平台业务模式都是与第三方的机构合作开展的，比如担保公司担保、小贷公司、商业保理公司、融资租赁公司债权回购等。虽然网贷平台标榜双重风控，但是主要的风控还是外包给了这些机构，网贷平台的那一重风控变为了形式，因为如果真的要控制风险的话就要养很多具体操作业务的人，这对平台本已居高不下的运营成本无疑是雪上加霜。 银行是如何来控制风险的？ 银行的业务组织结构分为很多条线，核心是风险管理条线，此外还有公司业务条线、个人业务条线、会计条线等；还有直属于总行的同业金融条线和信用卡条线等。风险管理条线之所以被称为核心，是因为金融的核心就是风险控制，所有银行业务中的风险把控操作都由这个部门来具体操作，在其之上还有审批委员会，委员会的成员是由各个与业务相关部门的一把手组成，委员会的最终决策人被称为首席风险官，这个角色没有一票通过权，只有一票否决权，可有效避免一人独裁的局面。此外，风险管理条线还分为授信审批中心、授信管理中心、资产保全中心，职能分别是负责贷前、贷中、贷后的操作。 纵观现在整个网贷行业，风控模式基本沿用了传统银行的风控模式，但比起银行的风控模式还有很大的差距，只是一些皮毛而已，形式单一，只停留在了表面。
如何基于大数据做风控？ 与传统模式下的风控体制不同，大数据风控模式正成为行业热点，基于大数据下的风控分为两个方面：一个是内部风控；一个是外部风控。 内部风控主要是防范一些操作上的风险，尽量的将主观人为的操作系统化，这就要求网贷平台加大技术开发的投入，对后台系统功能不断完善以及操作员与管理员的权限尽可能细化，而外部风控主要体现在项目端上，就是要抓住借款人的信用情况、借款资金流向等因素。 P2P平台无法直接查询客户的征信，这降低了行业平台对借款人的震慑力，导致违约成本的降低和重复借贷现象的增加。平台想要获得借款人的个人信用报告，需要花费很多时间，很多年轻人、自由职业者等并未使用信用卡人群无任何信用记录。在这背景下，大数据的作用凸显出来，从某种意义上说，大数据征信与风控将是互联网金融未来发展的命脉。 业内人士认为，大数据征信能够降低信息不对称、数据不及时以及还款能力判断不足的问题，可以增加反欺诈能力，同时更精确的进行风险定价。毕竟，相比于央行的征信，大数据征信因为数据来源、数据内涵、模型思路的不同，信用评价更趋于对人的一些本性的判断，可以运用于借贷以外更广的场景，生活化、日常化的程度更高。原银监会副主席蔡锷生表示：“有大数据的创新和支撑，在风险控制方面会带来很大的变化，这恰恰能体现出来它对传统金融缺失的补充，甚至是小微企业、个人消费信贷的一种金融支持。另外，大数据在未来建立社会征信
基于大数据技术的信用风险预警系统_光环大数据培训
https://www.360docs.net/doc/f816703969.html, 基于大数据技术的信用风险预警系统_光环大数据培训 在银行传统风控人员的认知中，现有线下信贷业务风控手段相对比较成熟，业务使用广泛，已能够满足内外部监管的要求，只要严格遵守则基本无需承担风控不力的责任；而使用大数据技术风控，现有数据的完备性、准确性存在一定的不足，风控模型效力仍有待时间验证，亦存在风险遗漏的情况，缺乏传统风控手段的“可靠性”，对大数据风控技术的使用持有一定的怀疑态度。 而事实上不管是传统风控手段，还是大数据风控技术都只能最大限度地降低风险而非杜绝风险，风控的效果指的是概率上的优劣。现如今互联网金融模式的快速发展，需要我们不断创新风控思路，在不断试错、不断改进过程中完善风控体系，而不能抱残守缺、墨守传统风控理念，停滞不前。此外，客户信息的完备性、准确性永远是一个相对概念，没有绝对完整、准确的客户数据，只能是多方位完善、选择性取舍。 （三）数据极度缺乏，数据接入困难超预期 当前金融产品日益多样化，客户准入门槛逐步下沉，商业银行对优质客户的争夺愈演愈烈；而另一面，客户对商业银行产品越来越挑剔，对授信金额、审批速度的要求也越来越高。为了能够在这场争夺战中占得先机，必须通过加强对客户行内外信息的整合，全面、快速、准确识别客户风险，迅速做出授信决策。客户行内数据在大数据平台构建过程中得到解决，而外部数据在接入过程中则遇到较大困难： 首先，外部数据质量参差不齐、数据效用较难评估，需要较长时间进行沟通、分析、确认；
https://www.360docs.net/doc/f816703969.html, 其次,对于线上常见的平台贷等业务，由于银行不直接面对客户，传统的埋点等风控数据采集方法难以施行。 （四）案例库的缺少，大数据风控模型优势难以快速体现 对于很多中小型银行，因业务规模及信息系统建设滞后等原因，不良授信的案例库要么缺失、要么案例较少，尤其是对于线上的互金等新生业务，不良案例库更是少之又少。由于案例库的缺少，目前风头正劲的机器学习等新的风控技术难有用武之地，大数据风控技术、模型的效果难以得到充分的验证，目前基本只能通过对传统业务客户的历史逾欠情况进行分析，以此来评价风控模型效果。 实施过程/解决方案 恒丰银行信用风险预警系统主要分为基础数据层、基础技术服务层和应用层，其总体架构如图一所示。 （一)基础数据层：风控系统数据引入 基础数据层主要负责行内行外数据接入、存储，通过自建爬虫体系、购买外部服务数据API或文件批量推送服务实现各类数据的接入，形成风控专用的风险数据集市，如图二所示。根据获取权限不同，风控数据可分为四类： 第一类为行内数据，主要包括企业和个人的基础信息、授用信信息、还款信息、账户信息及各类黑、灰名单等，均为结构化数据，可直接从行内的大数据平台接入，数据准确、权威，但覆盖面相对较少； 第二类为用户授权数据，包括企信征信、个人征信、个人学历、个人车辆、电商交易记录等数据，主要通过第三方提供的API接口接入；
大数据风控的现状、问题及优化路径
摘要：在互联网技术和信息技术的推动下，大数据在金融行业的风控中获得了引人注目的进展，但是在实际运用中其有效性还需进一步提高。当前大数据风控有效性不足既有数据质量的障碍，也有大数据风控的理论性障碍，还有数据保护的制度障碍。消除这些障碍、提高大数据风控的有效性，需要金融企业、金融研究部门和政府监管部门的共同努力。 关键词：互联网金融；大数据；风险控制 大数据已经撼动了世界的方方面面，从商业科技到医疗、政府、教育、经济、人文以及社会其他各个领域。早在1980年，阿尔文?托夫勒（Alvin Toffler，1980）在《第三次浪潮》一书中就预言大数据将成“第三次浪潮”。奥巴马政府将大数据定义为“未来的新石油”。凯文?凯利（Kevin Kelly，2014）认为所有的生意都是数据生意。2013年互联网金融将“大数据”推向了新的高度。金融的核心是风险控制，将风控与大数据结合、不断完善和优化风控制度和体系，对于互联网金融企业和传统金融企业而言都同等重要。 一.大数据风控发展迅速，但有效性不佳 在应用层面，金融行业利用大数据进行风控已经取得了一定的成效。使用大数据进行风控已成为美国等发达国家互联网金融企业的标准配置。 美国Zest Finance公司开发的10个基于学习机器的分析模型，对每位信贷申请人的超过1万条原始信息数据进行分析，并得出超过7万个可对其行为做出测量的指标，而这一过程在5秒钟内就能全部完成。 为网上商家提供金融信贷服务的公司Kabbage主要目标客户是ebay、Amazon、PayPal等电商，其通过获取这些企业网店店主的销售、信用记录、顾客流量、评论、商品价格和存货等信息，以及他们在Facebook和Twitter上与客户的互动信息，借助数据挖掘技术，把这些店主分成不同的风险等级，以此来确定提供贷款金额数量与贷款利率水平。 中国互联网金融企业对于大数据风控的运用也如火如荼。 阿里推出了面向社会的信用服务体系芝麻信用，芝麻信用通过分析大量的网络交易及行为数据，对用户进行信用评估，这些信用评估可以帮助互联网金融企业对用户的还款意愿及还款能力做出结论，继而为用户提供相关的金融和经济服务。 腾讯的微众银行推出的“微粒贷”产品，其风控核心就是，通过社交大数据与央行征信等传统银行信用数据结合，运用社交圈、行为特征、交易、基本社会特征、人行
基于区块链的金融大数据风控平台的制作方法
图片简介: 一种基于区块链的金融大数据风控平台，包括金融数据获取模块、金融数据检测模块、金融数据传输模块和区块链存储模块，所述金融数据获取模块用于收集金融数据，所述金融数据检测模块用于对收集的金融数据进行聚类，并判断聚类所得的各个类中的金融数据是安全数据还是可疑数据，将判断为可疑数据的类中的金融数据舍弃，将判断为安全数据的类中的金融数据通过金融数据传输模块传输至区块链存储模块进行存储。本技术的有益效果：设置了金融数据检测模块，所述金融数据检测模块通过对接收到的金融数据进行聚类，并判断聚类所得的各个类中的金融数据是安全数据还是可疑数据，保证了这些金融数据在进入区块链存储模块时的安全性。 技术要求 1.一种基于区块链的金融大数据风控平台，其特征是，包括金融数据获取模块、金融数据检测模块、金融数据传输模块和区块链存储模块，所述金融数据获取模块用于收集金 融数据，并将收集的金融数据输入到金融数据检测模块，所述金融数据检测模块用于对 接收到的金融数据进行聚类，并判断聚类所得的各个类中的金融数据是安全数据还是可 疑数据，将判断为可疑数据的类中的金融数据舍弃，将判断为安全数据的类中的金融数 据通过金融数据传输模块传输至区块链存储模块进行存储；所述金融数据检测模块包 括金融数据分类单元和金融数据判断单元，所述金融数据分类单元用于对接收到的金 融数据进行聚类，将金融数据分类单元接收到的待分类的金融数据表示为集合， 且，其中，表示集合中的第个金融数据，表示金融数据集 合中的金融数据量，所述金融数据分类单元采用FCM算法将金融数据集合中的金融数 据进行分类，设表示金融数据集合划分的类别集合，且，其 中，表示类别集合中的第个类，表示类别集合中的类别数，所述FCM算法采用聚类有效性指标确定将金融数据集合划分的类别数，的表达式为：
TalkingData大数据风控解决方案
TalkingData 大数据风控解决方案及成功案例 一、 行业背景 随着“互联网+”、互联网金融、金融大数据、金融科技等领域的持续创新和快速增长，众多金融企业开始掘金以个人消费者为中心的新兴市场，P2P金融、消费金融、现金贷等创新金融业务持续推出。与此同时，各类金融风险不断涌现，传统的数据及风控手段难以及时和准确地发现个人用户的潜在风险。企业亟需着手建立基于大数据的智能化决策能力，依托拥有海量数据资源的第三方机构，在保证数据全面、公正的前提下，持续优化风控和营销等关键决策效率。 二、 TalkingData大数据风控解决方案 TalkingData以稳定、合规、安全可靠的数据为基础，围绕金融用户这一核心，为金融企业提供数据采集、接入、加工、分析、决策为一体的金融风控数据服务，帮助金融企业构建营销反欺诈、用户反欺诈、用户授信辅助等业务决策能力。
TalkingData大数据风控解决方案将移动大数据技术与专业的金融风控业务相融合，既适用于需要拓展和下沉用户的传统金融机构，也适用于正在积极拓展创新金融场景的互联网金融企业，为这些企业提供独有数据和专业化风控技术。 三、 TalkingData风控解决方案在商业银行信用卡中心的案 例 某国内商业银行信用卡业务风控及反欺诈系统项目中，TalkingData作为数据及服务的供应商，提供了平台、数据、服务一体化解决方案，帮助客户实现了数据采集、外界数据接入、用户反欺诈和授信评分模型服务等数据决策系统。
具体实现内容包括： 1.风控数据采集、接入和加工服务：用户行为数据获取及应用 能力一直是制约客户采用新技术的主要障碍，TalkingData提供了完善的数据技术能力帮助客户建立风控数据能力 l●在用户申请客户端利用设备指纹技术，经过授权后，无干扰采集用户行为数据 l●基于用户行为标签的外部数据服务，形成面向用户分析的基础信息 l●依照业务场景定制风控标签服务，形成可用于风控分析建模的深度加工特征 l●数据特征加工及模型服务，形成数据决策基础。 2.用户反欺诈服务：欺诈用户的申请欺诈和交易是金融企业损失 的主要来源之一，TalkingData用户反欺诈方案通过综合多维数据对用户行为进行探测、评估及评分，帮助客户提升多类型欺诈行为的识别率。
大数据风控系统全面解决方案
YUNRISK风控系统产品说明 大数据云风控系统全面解决方案 https://www.360docs.net/doc/f816703969.html, https://www.360docs.net/doc/f816703969.html,
https://www.360docs.net/doc/f816703969.html, (1) (2) 第一章概要 (3) 第二章行业背景 (3) 2.1风控行业背景 (3) 2.2国内外风控技术现状 (4) 2.3风控行业发展趋势 (5) 第三章武汉风控在线科技有限公司介绍 (6) 3.1武汉风控在线科技有限公司介绍 (6) 3.2研发团队介绍 (7) 3.3核心技术专利 (7) 第四章大数据云风控系统介绍 (7) 4.1产品描述 (7) 4.2产品和技术优势 (8) 4.3版本介绍 (12) 4.4产品使用说明 (12) 4.5操作流程 (14) 第五章风控管理全面解决方案 (21) 5.1业务流程 (22) 5.2授信审核流程（贷前流程） (23) 5.3借款审核流程（贷中流程） (24) 5.4贷后流程 (25) 5.5风险管理全面解决方案 (25) 第六章服务体系 (27) 6.1服务理念 (27) 6.2系统定制服务 (27) 6.3培训服务 (28) 6.4售后服务 (28) 第七章联系我们 (29)
第一章概要 YUNRISK风控系统是武汉风控在线科技有限公司经过长期风控行业深厚积累而精心研发出的面向小额贷款公司，P2P公司，融资租赁公司，供应链金融公司，商业银行等金融机构的风控业务管理系统。 本文目的在于帮助客户完整理解风控系统产品。 第二章行业背景 2.1风控行业背景 当前，经济下行导致中小企业经营成本不断增加，产品销售价格因结构原因和市场原因相对走低，企业利润空间被进一步压缩，许多中小企业陷入经营困境，导致企业经营风险加大、连锁性风险陡增、潜在信用风险上升、企业主的道德风险骤升。一些重点领域的银行等金融机构信贷风险进入了一个暴露期，一些地区的金融机构已经出现不良贷款回升苗头；不良贷款高危行业中，钢铁与建材等行业信用风险快速上升，制造业领域新增的不良资产已占到整体不良资产的七成以上，与此同时经济下行也使得个人信贷中的逾期率陡增，不良贷款率上升，如何防控信贷风险，已成为商业银行等金融机构亟待解决的课题。