- 综合排序
- 最热优先
- 最新优先
微信域名拦截 域名拦截类型 微信域名风控 域名拦截原因 微信域名申诉 微信安全域名 域名封控指南
微信作为国内主流社交平台，对域名访问有着严格的风控机制，微信域名拦截主要分为红色拦截、白色拦截、蓝色拦截三种类型，不同拦截类型对应不同的违规场景与风控逻辑。 ”封禁，属于关联风控范畴。 •特殊域名后缀：.top、.xyz等新型域名后缀，或境外未备案域名，微信风控审核标准更严格，因无法充分核验域名主体及安全性，易触发此类拦截。 •跳转链路过长：域名包含超过3层重定向，微信无法溯源最终落地页内容，为规避潜在风险，会限制其在微信内直接访问，避免用户被引导至违规页面。 更多微信安全域名的合规使用技巧、完整的域名风控指南及实操方案，可进在我的主页一步了解学习。
86400编辑于 2026-04-04- 来自专栏SAMshare
风控ML | 风控建模的KS
我们这做风控模型的时候，经常是会用KS值来衡量模型的效果，这个指标也是很多领导会直接关注的指标。今天写一篇文章来全面地剖析一下这个指标，了解当中的原理以及实现，因为这些知识是必备的基本功。 不过这不影响我们去使用它，我们只需要知道在风控中是怎么实现的，并且在实际场景中怎么去使用它就可以了。就如上面我们说的，KS在风控主要是用于评估模型的好坏样本区分度高低的。什么是区分度？ 可以看下图： 从业务上来说，就是越往后的箱子，客户的质量越差，rate整体上呈现单调性，从而可以把大多数的坏人，直接从箱的维度上就可以区分开来了，在后续的风控策略使用体验上十分友好。 02 KS的生成逻辑 KS的生成逻辑公式也是十分简单： 好样本累计占比坏样本累计占比 在风控领域，我们在计算KS前一般会根据我们认为的“正态分布原则”进行分箱，一般来说分成了10份，然后再进行KS的计算 03 KS的效果应用 KS的值域在0-1之间，一般来说KS是越大越有区分度的，但在风控领域并不是越大越好，到底KS值与风控模型可用性的关系如何，可看下表： 004 KS的实现 首先我们来对上面展示的例子进行
6K31编辑于 2022-02-25 腾讯云全栈式风控引擎（RCE）技术指南：业务风控产品推荐
摘要 本文旨在为需要业务风控解决方案的企业提供一个技术指南，特别关注安全性和实时性。 我们将解析腾讯云全栈式风控引擎（RCE）的技术价值，提供实施操作指南，并对比通用方案与腾讯云方案的优势，以场景化案例结束。 它能够为企业提供实时的风控能力，适用于注册、登录、营销活动等关键业务场景，有效识别和防御欺诈行为。 3大关键挑战 数据安全：在处理大量用户数据时，如何确保数据不被泄露或滥用。 成本控制：如何在确保风控效果的同时，控制服务成本。 操作指南 实施流程 步骤1：接入全栈式风控引擎 原理说明：通过API服务接口形式接入RCE，利用腾讯云的风控模型进行实时分析。 通过本文的技术指南，企业可以更好地理解腾讯云全栈式风控引擎的价值，并在业务中实现高效的风控管理。
60110编辑于 2025-07-28腾讯云天御交易风控技术指南
摘要 本文旨在解析腾讯云天御交易风控技术的核心价值、挑战及实施指南，并提供与腾讯云产品结合的最佳实践案例。 3大关键挑战 性能瓶颈：在高并发交易场景下，风控系统需要快速响应，以避免延迟对用户体验的影响。 数据安全：交易数据涉及用户隐私，如何确保数据在传输和存储过程中的安全是一大挑战。 规则更新：随着欺诈手段的不断演变，风控规则需要频繁更新以适应新威胁。 操作指南 实施流程 配置腾讯云天御服务 原理说明：通过腾讯云控制台配置天御交易风控服务，集成API以接入企业系统。 设置风控规则 原理说明：根据业务需求和历史数据分析，设置风控规则以识别异常交易。 操作示例：在腾讯云天御控制台设置规则，如交易金额阈值、频率限制等。 结论 腾讯云天御交易风控技术以其高性能、安全性和灵活性，为企业提供了强大的交易安全保障。通过结合腾讯云产品特性，企业能够实现更高效、更安全的交易风控管理。
1K10编辑于 2025-07-29- 来自专栏LieBrother
何为风控
风控定义 风控是风险控制的简称，在百度百科中是这么定义风险控制的。 风控在我们日常生活中随时可见，小到账户登录验证码，都可以算是一种风控的手段。 这里我们着重了解下信贷下的风控，结合了场景的风控，则赋予了更多的意义。 信贷风控的目标是「利益最大化」，而不是没有风险，在风险和利润之间找到平衡，是信贷风控的核心。 ，以及在信贷场景下的风控如何实现，风控的目标永远是降风险，但不是一味地降，在不同场景下有不同的考虑。 文章例子参考《智能风控平台：架构、设计与实现》
2.7K21编辑于 2022-12-20 - 来自专栏SAMshare
风控ML | 风控建模的WOE与IV
「风控ML」系列文章，主要是分享一下自己多年以来做金融风控的一些事一些情，当然也包括风控建模、机器学习、大数据风控等相关技术分享，欢迎同行交流与新同学的加入，共同学习，进步！ 第一次接触这两个名词是在做风控模型的时候，老师教我们可以用IV去做变量筛选，IV（Information Value），中文名是信息值，简单来说这个指标的作用就是来衡量变量的预测能力强弱的，然后IV又是 Blank')[labels == 0] value_list = set(data_bad.unique()) | set(data_good.unique()) value_list Step3：
4.6K20发布于 2021-11-30 - 来自专栏全栈程序员必看
信贷风控模型搭建及核心风控模式分类
3.大数据模式 大数据风控模式是指通过对海量的、多样化的、实时的、有价值的数据进行采集、整理、分析和挖掘，并运用大数据技术重新设计征信评价模型算法，多维度刻画信用主体的“画像”，向信息使用者呈现信用主体的违约率和信用状况 3.评分卡的开发应用 在互联网金融评分卡开发过程中，我们仔细研究了企业风控操作流程，反复推敲了模型构建步骤，最后我们认为从业务应用角度，评分卡开发应用应遵循： 业务定义➡️风险定义 ➡️风险分解➡️ 另外，风控模型在不同的阶段体现的方式和功能也不一样。 所以说，风控模型的计算策略和机制在一个公司属于绝密，规则除了核心的员工，其他人是不能知道风控规则的。 四、风控的核心 如果说金融产品的核心是风控，那么风控的核心是什么? 3.调整指标分数，给出评分 在风控模型建立的后期，我们必须要输入个人信息进行模型的测试，前面我们建立每个指标的评分规则，但是我们并不知道这些规则是否真的适用于市场。
4K11编辑于 2022-08-14 提升风控决策能力的腾讯云技术指南
摘要 随着数字化转型的深入，企业对风控决策能力的需求日益增长。本技术指南旨在通过简练的语言解析风控技术的核心价值，并结合腾讯云产品，提供一套全面的操作指南和增强方案，以提升企业的风控决策能力。 3大关键挑战 数据隐私与安全：在处理敏感数据时，如何确保合规性和数据不被泄露是一个重大挑战。 实时性要求：风控决策需要快速响应市场变化，对系统的性能要求极高。 模型准确性：随着数据量的增加，如何提高风控模型的准确性和泛化能力是一大难题。 操作指南 步骤1：数据收集与处理 原理说明：数据是风控决策的基础，需要从多个来源收集数据，并进行清洗、整合。 步骤3：模型部署与监控 原理说明：将训练好的模型部署到生产环境，并实时监控模型表现。 通过本技术指南，企业可以更好地理解和应用风控决策技术，同时利用腾讯云产品提升风控决策的效率和准确性。
43910编辑于 2025-07-29- 来自专栏Datawhale专栏
新人赛《金融风控贷款违约》避坑指南！
作者：陶旭东，北京师范大学，Datawhale成员 一、背景介绍 本文以天池的金融风控赛为背景，梳理了金融风控的整个实践流程，帮助大家避坑学习。 赛事的场景是个人信贷，要求选手根据贷款申请人的数据信息预测其是否有违约的可能，以此判断是否通过此项贷款，这个问题在现实的风控场景中很常见，属于典型的分类问题。 二、数据概况 数据下载地址：https://tianchi.aliyun.com/competition/entrance/531830/information（阿里天池-金融风控赛事） 本次数据训练集 数值型特征本是可以直接入模的，但往往风控人员要对其做分箱，转化为WOE编码进而做标准评分卡等操作。从模型效果上来看，特征分箱主要是为了降低变量的复杂性，减少变量噪音对模型的影响，从而使模型更加稳定。 1, 1, 1, 1] FPR,TPR,thresholds=roc_curve(y_true, y_pred) KS=abs(FPR-TPR).max() print('KS值：',KS) 在金融风控中一般将用户违约率预测的概率转化为评分卡分数
3.6K65发布于 2020-10-23 - 来自专栏用户3246163的专栏
1.1 风控原则
提高业务绩效 04.3 描述一个CRO的角色和职责，评估CRO如何和其他高管协作 CRO职责 1.对公司面临的所有风险负责 2.开发和实现ERM策略 工作范围： 1.设置公司全局风险偏好 2.度量和量化风险 3. 设置风险限制 4.开发风险系统 关键技能： 1.领导力 2.说服力 3.有能力保护公司资产 4.理解所有风险的技术技能 5.教育board和业务条线的顾问技能 和其他高管合作： 汇报给CEO／CFO，还有和 不可以故意的歪曲报道 不可以从事任何不诚实 不可以从事任何危害GARP和FRM的事情 注意文化不同，出现冲突应该应用最高标准 2 利益冲突 任何情况下保持公平，公开所有冲突 全面和公平的公开所有问题 3
3.2K60发布于 2018-09-14 - 来自专栏全栈程序员必看
支付风控模型
二、基于规则的风控 规则是最常用的，也是相对来说比较容易上手的风控模型。从现实情况中总结出一些经验，结合名单数据，制定风控规则，简单，有效。 常见的规则有： 1. 3. 业务规则 和特定各业务相关的一些规则，比如： 同一个人绑定银行卡张数超过10张。 同一张银行卡被超过5个人绑定。 同一个手机号被5个人绑定。 互联网金融风控离不开机器学习，特别是支付风控。 在各种支付风控模型中，决策树模式是相对比较简单易用的模型。 如下的决策树模型，我们根据已有的数据，分析数据特征，构建出一颗决策树。 这个过程，将在下一篇的风控架构中介绍。 五、模型评估 风控本质上是对交易记录的一个分类，所以对风控模型的评估，除了性能外，还需要评估“查全率”和“查准率”。 支付风控场景分析 ； 支付风控数据仓库建设 ； 支付风控模型和流程分析(本文)； 支付风控系统架构 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn
4.2K22编辑于 2022-08-11 - 来自专栏SAMshare
风控ML | 风控建模中怎么做拒绝推断
《风控建模中的样本偏差与拒绝推断》https://zhuanlan.zhihu.com/p/88624987 不过我也还是把他文章里的分类体系在这里重点再次分享一下。 其中，数据法中提到的3种方式都是比较好理解的。 cutoff一般按照业务经验来设置，就是拒绝样本中被赋予通过的样本，其badrate水平，是正常放款样本中的badrate水平的2～4倍； 4、根据步骤3设置的cutoff，高于这个阈值的赋予good标签 06 总结一下 本文算是一个对拒绝推断的入门介绍了，让初涉风控模型的同学有一个相对来说比较清晰的全局认识，这里面涉及到的很多算法模型上的细节并没有展开来讲，因为我觉得这也会让阅读带来比较大的负担，公众号的文章还是要控制在几分钟内读完比较合适 Reference [1] 异常检测算法分类及经典模型概览 https://blog.csdn.net/cyan_soul/article/details/101702066 [2] 风控建模中的样本偏差与拒绝推断
3K30编辑于 2022-11-14 - 来自专栏SAMshare
风控ML | 风控中的异常检测原理与应用
今天来介绍一下风控中的异常检测，从最基础的概念开始讲起，因为本人对这块的内容平时工作也做得不多，更多滴偏向于“纸上谈兵”，有什么说得不对的地方，也欢迎各位朋友指正～谢谢。 异常检测的概念 02 异常检测的难点 03 异常检测的分类及常见算法 01 异常检测的概念 异常检测（Anomaly Detection 或 Outlier Detection），又称为离群点检测，在我们风控领域很多地方都会用到 3.集合异常：某一堆的数据集合，整体表现异常，但看单个个体又没那么异常的，比如说地方性团伙骗贷。 好了，讲完了异常点的分类，来讲一下异常检测算法的分类吧。 0301 基于统计检验与分布算法 说起异常点检测，最容易想到的就是这个正态分布图了，3倍方差之外的数据属于异常数据。 利用时间序列分解算法（STL、STAMP、X12-ARIMA）将时间序列分成3条拟合曲线：Trend（趋势）、Seasonal（周期）和Residual（残差）。
4.3K20编辑于 2022-04-12 腾讯云天御交易风控技术指南与优势对比
摘要：本文详细介绍了腾讯云天御交易风控技术的核心价值、实施挑战、操作指南以及与其他厂家的对比优势。 技术解析 腾讯云天御交易风控是一种基于人工智能和大数据分析技术的风控服务，旨在帮助企业识别和防范交易中的欺诈行为。它的核心价值在于： 实时监控：能够实时分析交易数据，快速识别异常行为。 实施中的3大关键挑战包括： 数据隐私保护：在分析用户交易数据时，如何确保数据的安全性和隐私性。 性能瓶颈：在高并发交易场景下，如何保证风控系统的响应速度和处理能力。 操作指南 步骤1：集成腾讯云天御交易风控服务 原理说明：通过API将腾讯云天御交易风控服务集成到现有业务系统中，实现实时监控和风险识别。 （来源：客户实践） 通过本文的技术指南，用户可以深入了解腾讯云天御交易风控技术，并利用其优势提升自身业务的风控能力。
67110编辑于 2025-07-29- 来自专栏算法进阶
3句话总结信贷风控的特征
信贷风控是数据挖掘算法最成功的业务场景，简单来说就是判断一个人的还款能力及还款意愿，并以此为信任依据提高金融业务效率。 业界通常的做法是基于挖掘多维度的特征建立一套规则及风控模型，一个好的特征，对于模型和规则都是至关重要的，验证中经常可以发现，如果踢掉某类特征模型也就废了。 本文就梳理总结下信贷风控常用的特征，可以总结到以下3句话： 1、信贷历史类： 信贷交易次数及额度、查询征信次数、信贷历史长度、新开信贷账户数、额度使用率、逾期次数及额度、信贷产品类型、被追偿信息。 （信贷交易类的特征重要程度往往是最高的，少了这部分历史还款能力及意愿的信息，风控模型通常直接就废了。） 3、公共负面记录类： 如破产负债、民事判决、行政处罚、法院强制执行、涉赌涉诈黑名单等 （这类特征通常缺失度比较高，对模型贡献一般，更多的是从还款意愿、欺诈维度的考虑）
79410编辑于 2022-06-02 - 来自专栏SAMshare
风控ML | 风控建模老司机的几点思考与总结
「风控ML」系列文章，主要是分享一下自己多年以来做金融风控的一些事一些情，当然也包括风控建模、机器学习、大数据风控等相关技术分享，欢迎同行交流与新同学的加入，共同学习，进步！ 一个机器学习模型的开发周期一般可以分为： 1、业务需求挖掘（Business insight） 2、数据搜集处理（Data Curation） 3、模型训练开发（Modeling） 4、部署及测试上线（ 而在开始搜集数据前，需要了解几点内容： 1、模型应用节点 2、时效性要求 2、有没有预算，预算有多少 3、项目紧急程度 模型应用节点 模型的应用节点，决定了你有哪些变量是不可以用的，避免说出现“事后变量 具体可以参考我先前的一篇文章内容《分享8点超级有用的Python编程建议》 搞到数据后，需要做的事情大概可以分为： 1、消化所有的数据含义、逻辑； 2、对数据进行各种清洗，变成你熟悉的结构； 3、对数据进行质量控制 3、对于模型算法的选择，如果不知道选啥，可以都试试看看效果最直接。
2.2K30发布于 2021-11-30 - 来自专栏SAMshare
风控ML | 风控建模中GBDT和XGBoost怎么调优
00 Index 01 GBDT和XGBoost的原理介绍 02 GBDT和XGBoost的异同点分析 03 什么风控建模场景下常用这两个明星算法？ 03 什么风控建模场景下常用这两个明星算法？ 交易反欺诈：A级出场率，主要是支付风控，防止客户进行薅羊毛、套现等行为。 客户流失：A级出场率。 贷后 催收告警：A级出场率。 迁徙率预测：B级出场率。 失联修复：C级出场率。 而关于风控模型怎么调优，我会在下一节一起讲。 风控模型怎么调优 关于风控模型的调优，先前有篇文章讲得比较细致《风控ML[7] | 风控模型调优的思路有哪些》，大家可以移步去回顾一下。
2.6K30编辑于 2022-11-14 - 来自专栏沃趣科技
风控为本创新驱动，券商如何实现智能风控加速？
合规风控始终是公司的首要核心竞争力，该券商不断推进全面风险管理体系建设，需要全方位提升主动合规风控管理能力，进而提升风险管理精细化、智能化水平。 而由于合规风控处于企业核心竞争力的高度，原风控数据积累10年，数据量已超30TB。 非现场风控平台各项报表和查询生成时间逐渐拉长。夜间批量任务越来越慢，部分任务出现超时失败现象。 02 原合规风控数据库数据量巨大，原有的传统的备份手段难以实现数据的实时保护。 价值提升 1 通过QData数据库云平台大幅提升了风控系统的业务效率，风控日终调度业务从原十几个小时缩短至1.5小时，性能提升10倍以上。 3 通过沃趣科技提供的专业的架构规划方案和完善的服务支撑，大大降低了数据中心的运维成本及风险，支持该券商在数据驱动和科技金融的创新上持续前行。
2.1K10发布于 2021-10-12 - 来自专栏AI科技时讯
风控领域特征工程
在金融行业，风险控制（风控）是核心环节，它关乎资产安全、合规性以及机构的长期稳健发展。随着大数据时代的到来，金融机构面临着前所未有的数据量和复杂性。 在这样的背景下，风控领域特征工程应运而生，成为连接原始数据与精准风险评估的桥梁。 特征工程，简而言之，是对数据的一种深度加工，它通过一系列技术手段，将原始数据转化为对风险预测有用的信息。 在风控领域，特征工程的核心目标是构建出能够准确反映个体或实体风险水平的特征集。 此外，良好的特征工程实践还能促进模型的解释性，为风控决策提供更加透明的依据。 随着技术的发展，特征工程的方法也在不断创新。 通过综合运用这些特征衍生方法，风控领域的特征工程能够更全面地挖掘数据潜力，为风险评估提供多维度的视角。
2.1K11编辑于 2024-08-20 - 来自专栏全栈程序员必看
风控决策引擎经验
一套完整的风控体系，在风控中，少不了决策引擎，今天就浅谈一下风控决策引擎。 一、优先级 风控决策引擎是一堆风控规则的集合，通过不同的分支、层层规则的递进关系进行运算。 3、消耗低性能的规则优先于高性能消耗的规则运行 举例说明：直接基于用户现有属性的数值，如当前用户的民族是否非少数民族，则可优先运行。 因为去验证用户的稳定性，是否用“6个月”，还是用“3个月”的长度更合适？ 具体合理的参数是需要通过数据分析的结论进行得出，如果由于定义“6个月”长度的要求而发现其他一些手机使用时长虽然短一些，并未与用户是否逾期形成直接必然因素，那么可将该参数放松调整到“3个月”。 3、数据源内容 举例说明：某些风控规则是通过二次数据解析与汇总进行的，但原始数据需要进行保存，诸如手机账单的通话明细数据，此部分数据一是可作为风控规则使用，二是未来可用作于催收与贷后管理。
1.9K30编辑于 2022-07-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号