接上一篇支付風控數(shù)據(jù)倉庫建設。支付風控涉及到多方面的內容，包括反洗錢、反欺詐、客戶風險等級分類管理等。 其中最核心的功能在于對實時交易進行風險評估，或者說是欺詐檢測。如果這個交易的風險太高，則會執(zhí)行攔截。由于反欺詐檢測是在交易時實時進行的，在要求不能誤攔截的同時，還有用戶體驗上的要求，即不能占用太多時間，一般要求風控操作必須控制在100ms以內，對于交易量大的業(yè)務，10ms甚至更低的性能要求都是必須的。 這就需要對風控模型進行合理的設計。一般來說，要提升風控的攔截效率，就需要考慮更多的維度，但這也會帶來計算性能的下降。在效率和性能之間需要進行平衡。

本文重在介紹建立風控模型的方法，每個公司應該根據(jù)自己的實際業(yè)務情況和開發(fā)能力來選擇合適的模型。這里列出來的模型僅為了說明問題，提供參考。

一、風險等級

做風控攔截，首先要回答的問題是風險等級怎么劃分? 目前主流的風險等級劃分有三種方式， 三等級、四等級、五等級。

• 三等級的風險分為 低風險、中風險和高風險。 大部分交易是低風險的，不需要攔截直接放行。 中風險的交易是需要進行增強驗證，確認是本人操作后放行。 高風險的交易則直接攔截。
• 四風險等級，會增加一個中高風險等級。此類交易在用戶完成增強驗證后，還需要管理人員人工核實，核實沒問題后，交易才能放行。
• 五風險等級，會增加一個中低風險等級。此類交易是先放行，但是管理人員需要進行事后核實。 如果核實有問題，通過人工方式執(zhí)行退款，或者提升該用戶的風險等級。

大部分支付系統(tǒng)是使用三等級的風險。

二、基于規(guī)則的風控

規(guī)則是最常用的，也是相對來說比較容易上手的風控模型。從現(xiàn)實情況中總結出一些經(jīng)驗，結合名單數(shù)據(jù)，制定風控規(guī)則，簡單，有效。 常見的規(guī)則有：

1. 名單規(guī)則

使用白名單或者黑名單來設置規(guī)則。具體名單如上文所述，包括用戶ID、IP地址、設備ID、地區(qū)、公檢法協(xié)查等。 比如：

1. 用戶ID是在風控黑名單中。
2. 用戶身份證號在反洗錢黑名單中。
3. 用戶身份證號在公檢法協(xié)查名單中。
4. 用戶所使用的手機號在羊毛號名單列表中。
5. 轉賬用戶所在地區(qū)是聯(lián)合國反洗錢風險警示地區(qū)。

2. 操作規(guī)則

對支付、提現(xiàn)、充值的頻率按照用戶賬號、IP、設備等進行限制，一旦超出閾值，則提升風控等級。

1. 頻率需綜合考慮(五)分鐘、(一)小時、(一)天、(一)周等維度的數(shù)據(jù)。由于一般計算頻率是按照自然時間段來進行的，所以如果用戶的操作是跨時間段的，則會出現(xiàn)頻率限制失效的情況。 當然，比較復雜的可以用滑窗來做。
2. 對不同的風險等級設置不同的閾值。 比如：
3. 用戶提現(xiàn)頻次5分鐘不能超過2次， 一小時不能超過5次，一天不能超過10次。
4. 用戶提現(xiàn)額度一天不能超過1萬。
5. 用戶支付頻次5分鐘不能超過2次，一小時不能超過10次，一天不能超過100次。

3. 業(yè)務規(guī)則

和特定各業(yè)務相關的一些規(guī)則，比如：

1. 同一個人綁定銀行卡張數(shù)超過10張。
2. 同一張銀行卡被超過5個人綁定。
3. 同一個手機號被5個人綁定。
4. 一個周內手機號變更超過4次。
5. 同一個對私銀行卡接受轉賬次數(shù)一分鐘超過5次。

4. 行為異常

用戶行為和以前的表現(xiàn)不一致，比如：

1. 用戶支付地點與常用登錄地點不一致
2. 用戶支付使用個IP與常用IP地址不一致
3. 用戶在短時間內，上一次支付的地址和本次支付的地址距離非常遠。 比如2分鐘前在中國支付的，2分鐘后跑到美國去支付了。

5. 風控攔截歷史規(guī)則

用戶在某個業(yè)務上的消費行為被風控網(wǎng)關多次攔截。

規(guī)則引擎優(yōu)點：

1. 性能高： 對訂單按照規(guī)則進行匹配，輸出結果。一般不會涉及到復雜的計算。
2. 易于理解和分析： 交易被攔截到底是觸犯了那條規(guī)則，很容易輸出。
3. 開發(fā)相對簡單。

規(guī)則引擎存在的問題：

1. 一刀切，容易被薅羊毛的人嗅探到。比如規(guī)則規(guī)定超過5000元就進行攔截，那羊毛號會把訂單拆分成4999元來做。 一天限制10筆，那就薅到9筆就停手了。
2. 規(guī)則沖突問題。當一筆交易命中IP白名單和額度黑名單的時候應該如何處理?

規(guī)則引擎看起來簡單，但也是最實用的一類模型。 它是其它風控模型的基礎。實踐中，首先使用已知的規(guī)則來發(fā)現(xiàn)存在問題的交易，人工識別交易的風險等級后，把這些交易作為其它有監(jiān)督學習的訓練數(shù)據(jù)集。

三、決策樹模型

風險評估從本質上來說是一個數(shù)據(jù)分類問題。 和傳統(tǒng)的金融行業(yè)風險評估不一樣的地方，在于數(shù)據(jù)規(guī)模大、業(yè)務變化快、實時要求高。一旦有漏洞被發(fā)現(xiàn)，會對公司造成巨大損失。 而機器學習是解決這些問題的利器。 互聯(lián)網(wǎng)金融風控離不開機器學習，特別是支付風控。 在各種支付風控模型中，決策樹模式是相對比較簡單易用的模型。 如下的決策樹模型，我們根據(jù)已有的數(shù)據(jù)，分析數(shù)據(jù)特征，構建出一顆決策樹。當有一筆交易發(fā)生時，我們使用決策樹來判斷這筆交易是否是高風險交易。

這種模型的優(yōu)點是非常容易理解，檢測速度快。 因而也是現(xiàn)有機構中常用的模型之一。 風控模型存在的主要問題是其產(chǎn)生的結果比較粗略。同樣的兩個交易被判定為高風險，究竟哪種交易風險更高，決策樹模型無法給出答案。

四、評分模型

比決策樹模型更進一步，現(xiàn)在也有不少公司在使用評分(卡)模型。 銀行在處理信用風險評級、反洗錢風險等級時，往往也是使用這種方法。

每個公司的模型都不一樣，一個參考模型如下：

該模型為參考《金融機構洗錢和恐怖融資風險評估及客戶分類管理指引》編制，僅具參考意義。雖然銀行間的評分模型有很好的參考價值，但互聯(lián)網(wǎng)公司由于業(yè)務和數(shù)據(jù)的不同，評分模型參考價值不大。

每個公司需根據(jù)自己的業(yè)務情況來制定評分模型，之后為各個指標指定權重比例。 權重評分結果為0~100分的區(qū)間，之后按照區(qū)間劃分，指定風險等級。比如：

當然，評分區(qū)間也需要根據(jù)企業(yè)的實際情況來制定。 評分模型的優(yōu)勢在于：

性能比較高，針對交易進行指標計算，按照區(qū)間來確定風險。

相對于規(guī)則，如果指標設置合理，其覆蓋度高， 不容易被嗅探到漏洞。

理解和分析也比較容易。 如果交易被攔截了，可以根據(jù)其各項打分評估其被攔截的原因。

存在的問題：

1. 模型真的很難建立。指標的選擇是一個挑戰(zhàn)。
2. 各個參數(shù)的調優(yōu)是一個長期的過程。

我們知道從一條交易記錄中可以挖掘的關聯(lián)數(shù)據(jù)有上百個，衍生數(shù)據(jù)就更多了。比如從支付地址，可以聚類出常用地址，衍生出當前地址和常用地址、上一次支付地址之間的距離，而這些指標在構建模型時都可能使用到。 所以第一個問題是，如何從這些指標中建立一個合適的模型?這就涉及到機器學習的問題了。 模型不能憑空建立，我們可以通過規(guī)則來對現(xiàn)有數(shù)據(jù)進行篩選和標注，確定這些記錄集的風險等級。 這些數(shù)據(jù)作為樣本來訓練模型。可用的算法包括Apriori、FP-growth等。算法實現(xiàn)請參考相關文檔。

在確認相關參數(shù)后，模型在使用過程中還需要不斷對相關參數(shù)進行調整。這是一個擬合或者回歸的算法，Logistic算法、CART算法，可以用來對參數(shù)做調優(yōu)。

總之，模型的建立是一個不斷學習、優(yōu)化的過程。 而每一個模型的發(fā)布，還需要進行試運行，AB測試和上線。 這個過程，將在下一篇的風控架構中介紹。

五、模型評估

風控本質上是對交易記錄的一個分類，所以對風控模型的評估，除了性能外，還需要評估“查全率”和“查準率”。 如下圖所示：

以評估高風險人群的效果為例，

• Precision, 準確率，也叫查準率，指模型發(fā)現(xiàn)的真實的高風險人數(shù)占模型發(fā)現(xiàn)的所有高風險人數(shù)的比例。
• Recall，召回率，也叫查全率，指模型發(fā)現(xiàn)的真實的高風險人數(shù)占全部真實的高風險人數(shù)的比例。

理想情況下，我們希望這兩個指標都要高。實際上，往往是互斥的，準確率高、召回率就低，召回率低、準確率高。如果兩者都低，那就是模型不靠譜了。 對于風控來說，需要在保證準確率的情況下，盡量提高召回率。 那怎么發(fā)現(xiàn)實際的高風險人數(shù)呢? 這就需要借助規(guī)則模型，先過濾一遍，再從中人工遴選。

從實際應用情況來看，目前國內大部分團隊使用Logistic回歸+評分模型來做風控，少數(shù)人使用決策樹。國外的PayPal是支付平臺風控的標桿，國內前海征信、螞蟻金服等會使用到更高級的神經(jīng)網(wǎng)絡和機器學習，但實際效果未見到實證材料。

【本文為51CTO專欄作者“鳳凰牌老熊”的原創(chuàng)稿件，轉載請通過微信公眾號“鳳凰牌老熊”聯(lián)系作者本人】

戳這里，看該作者更多好文