- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
支付风控模型
支付风控涉及到多方面的内容，包括反洗钱、反欺诈、客户风险等级分类管理等。 其中最核心的功能在于对实时交易进行风险评估，或者说是欺诈检测。如果这个交易的风险太高，则会执行拦截。 大部分支付系统是使用三等级的风险。 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。 比如2分钟前在中国支付的，2分钟后跑到美国去支付了。 5. 风控拦截历史规则 用户在某个业务上的消费行为被风控网关多次拦截。 规则引擎优点： 性能高： 对订单按照规则进行匹配，输出结果。 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。 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
4K22编辑于 2022-08-11 - 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
5.8K31编辑于 2022-02-25 - 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》
2.6K21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
4.5K20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
E.应用场景 风控模型的应用场景非常广泛，只要牵扯互联网金融的行业就缺少不了风控模型的存在，从借贷的角度来看，平台要评估借贷者的个人征信和还款能力从而保证投资者的收益；从投资者的角度，要保证平台的资金安全 另外，风控模型在不同的阶段体现的方式和功能也不一样。 从资金的角度来看，风控模型是为了评估用户还款能力和还款意愿，反欺诈反作弊，防止用户薅羊毛和保证平台安全等功能；从行业的角度，互联网风控模型体现在消费金融／供应链金融／信用借贷／P2P／大数据征信等方面。 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? 五、风控模型的设计步骤 总体来说风控模型的设计主要可以分为以下的几个步骤： 1.获取数据 信用评估来自于用户数据，模型规则其实就是用户数据规则，信息的纬度也比较广泛，大致可以分为基本信息／行为信息
3.8K11编辑于 2022-08-14 - 来自专栏数据猿
机器学习引领智慧金融，变革万亿规模实时支付风控模式
1、支付风控问题与现状 金融行业经营是风险，只不过它往往以货币或者钱的形态表现出来。金融的本质就是对于风险的管理，其中比较重要的风险包括：市场风险、信用风险、操作风险、法律政策风险等等。 图1：风控模型系统架构 机器学习风控模型的系统架构 图1展示了机器学习建模的系统架构和信息流程。图左半部分是实时模型决策部分。它主要包含了特征服务，模型服务，和决策引擎三个部分。 模型服务的预测结果会输出到决策引擎，决策引擎会进行进一步的量化评分，以便触发相应的风控动作，这一部分我会在后面更详细的加以介绍。 3、实时支付欺诈检测系统 亚信数据硅谷人工智能研发中心团队为实时金融欺诈提供了一整套完整的系统解决方案。之前着重介绍的基于机器学习风控模型只是其中的一个子系统。 根据风控模型实时计算的交易风险评分，系统自动采取对应的策略。主要策略包括：交易放行、警告、短信提醒、加强验证、人工坐席核实，直至自动交易阻断。
1.1K80发布于 2018-04-25 - 来自专栏用户3246163的专栏
1.1 风控原则
风险管理的目标是减少和消除EL，但是更concern UL，A对 承担风险的数量和潜在损失的大小不是绝对相关的，B错 风险管理的最后一步是监控，C错 风险是不确定性，不确定性是不会消失的，采用风险转移只是把风险转给了别的公司，D错
3.1K60发布于 2018-09-14 - 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。 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
2.9K30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
4.2K20编辑于 2022-04-12 - 来自专栏IT创事记
防盗窃反欺诈，支付宝风控系统0.1秒识别风险
在6月29日世界移动大会（MWCS）2018的领袖论坛中，蚂蚁金服副总裁芮雄文将支付宝第五代智能风控引擎AlphaRisk推荐给了全球的观众。 现在，虽然用户无感，但事实上，在支付宝的每笔交易中，支付宝第五代智能风控引擎AlphaRisk都会从多风险维度去判断交易风险。 一个简单的模型是付款方与收款方自身的信息与关系信息。 这些“有趣”的识别模型协同工作，最终构建了支付宝第五代智能风控引擎AlphaRisk风险识别方面的能力。当然，蚂蚁金服所构建的模型要远比这些生活化的描述复杂许多。 这些模块通过应用AI技术颠覆了传统风控的运营模式，将人类直觉AI(analyst intuition)和机器智能AI(Artificial intelligence)进行了结合，最终打造了这个具有机器智能的风控系统 “我们不仅仅只希望让支付宝用户不被欺骗，”芮雄文说，“我们希望所有的用户都不被欺骗。” 这样的愿景下，蚂蚁金服目前已经开放了自己的智能风控产品——蚁盾风险大脑。
2.4K10编辑于 2022-06-16 - 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！
2K30发布于 2021-11-30 - 来自专栏腾讯研究院的专栏
财付通：利用社交大数据 提升移动支付风控效率
财付通如何借助腾讯公司庞大的用户和社交数据，在保证支付效率的前提下，提升风控安全水平!张平为听众们一一进行了讲解。 这些特点给赋予了移动支付便捷的体验，也给对风控工作带来较大挑战。对此，张平表示，财付通有着“独家秘诀”。 我们通过社交大数据扩大反欺诈的检测范围和深度，防御阵线可更前置和后移。 借助微信、QQ社交大数据优势，结合自身支付数据，来研究用户行为规律，提升风控效率。 交易过程中，我们风控后台会进行实时离线分析，通过多维度对账号，设备指纹，用户，银行卡等信息进行评级，一般分为可信和可疑。从而根据具体情况采取实时策略，包括拦截，限额，冻结账号等。 见中华网财经：财付通：利用社交大数据 提升移动支付风控效率
1.9K80发布于 2018-01-31 - 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。
2.5K30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。 解决方案 沃趣科技以QData高性能数据库云平台作为数据库基础架构平台替换原传统“烟囱式”系统架构，承载合规风控核心数据库系统，助力业务处理效率大幅提升。 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。
1.9K10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。
1.9K11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。 风控系统的作用在于识别绝对风控与标识相对风险，如果是绝对风控，则整套风控的审核结果便将是“拒绝”。既然结果必然是“拒绝”，则没必要运行完所有的风控规则，而主要单条触发“拒绝”即可停止剩余规则的校验。 而一些通过对接外部三方征信的风控规则，需支出相关查询费用的，则靠后运行。此外，在外部三方征信的规则中，命中式收费的风控规则（如黑名单与反欺诈）又可以优先于每次查询式收费的风控规则（如征信报告）运行。 三、记录与统计 风控最终到底是“跑出来”的，所以，整个风控系统对所有不同风控规则的触发需进行有效的记录与统计，以便后期可支持数据分析与风控模型调整的相关工作。 具体的记录与统计内容，主要如下： 1、触发的具体风控规则 举例说明：通过两种不同的视角进行记录，一是用户与订单层面，记录其所触发的明细规则；二是风控规则层面，记录某条风控规则具体的触发率。
1.9K30编辑于 2022-07-02 - 来自专栏JAVA乐园
实时业务风控系统
账号：垃圾注册、撞库、盗号等 交易：盗刷、恶意占用资源、篡改交易金额等 活动：薅羊毛 短信：短信轰炸 项目介绍 实时业务风控系统是分析风险事件，根据场景动态调整规则，实现自动精准预警风险的系统。 对各种场景风险阈值和评分的设置，需要长期不断的调整，所以灵活的规则引擎是很重要的 支持对历史数据的回溯，能够发现以前的风险，或许能够找到一些特征供参考 项目标签 轻量级，可扩展，高性能的Java实时业务风控系统 基于Spring boot构建，配置文件能少则少 使用drools规则引擎管理风控规则，原则上可以动态配置规则 使用redis、mongodb做风控计算和事件储存，历史事件支持水平扩展 原理 统计学 ； 扩展风控规则，针对需要解决的场景问题，添加特定规则，分值也应根据自身场景来调整。 比如：登录->活动->订单->支付，将事件关联分析综合考虑； 减少漏报和误报。当然，这将是个漫长的过程；
3.3K10编辑于 2022-06-30 - 来自专栏大数据架构师成长之路
风控数据体系-简介
早期传统金融的风控主要利用了信用属性强大的金融数据，一般采用20个维度左右的数据，利用评分来识别客户的还款能力和还款意愿。 结合中国互联网发展，以及目前的征信监管要求，对可用数据及可用风控类数据做一个全面的梳理。 2.风控数据来源 2.1 数据应用逻辑 常见风控流程中，客户准入时提供的资信材料有限，业务机构风控数据体量不足，仅仅根据内部风险数据进行风险评估会非常片面，无法全面的把控某位客户的风险情况，所以通常需要依赖于第三方供应商提供数据作风控支撑 未来百行能不能有效被使用上还有待观察，但风控人员可先了解其相关的资料。百行征信涉及的模块，主要包括以下方面： 报告相关数据：报告时间；查询原因；查询结果等。 4.2 明确需求 建议：回顾第二节数据应用逻辑关于业务类型、风险类型、风控流程、风险画像等的介绍。
6.1K67发布于 2020-06-29 - 来自专栏全栈程序员必看
风控模型–Odds含义
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/141728.html原文链接：https://javaforall.cn
1.6K20编辑于 2022-09-01 - 来自专栏阿黎逸阳的代码
风控建模整体流程
确定建模目的 在信贷领域中建立风控模型是为了找出可能会逾期的客户，根据逾期的可能性和资金的松紧程度选择是否放贷。 在支付领域建立风控模型是为了找出可能存在非法经营的商户，保证商户没有违法经营。 确定好坏样本逻辑 在信贷领域中逾期大于x期(不同公司取值不同)的客户定义为坏客户(1),从未逾期的客户定义为好客户(0) 在支付风控领域中，有赌博、欺诈、套现、伪卡等行为的商户定义为坏商户(1)(具体根据模型要防控的风险决定 特征工程 在风控领域一直都有这样一句话 “数据决定了机器学习的上限，而算法只是尽可能逼近这个上限”，这里的数据指的就是经过特征工程得到的数据。通俗的讲就是衍生变量去捕获风险客户。 模型上线 在支付风控领域如果模型验证没有问题，一般会上到线上，自动生成案例。在信贷中会模型搭配规则，判断申请贷款的人是通过放贷、拒绝放贷、还是转人工处理。 本文所讲的都是大致流程，没有深入展开分析，在之后的各期中会逐步展开这里所讲的每一小点，给所有需要从事风控模型的同学一点建议。 以上都是我在建模过程中的一点经验总结，有不正之处恳请指正！
2.6K20发布于 2020-09-08
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