- 综合排序
- 最热优先
- 最新优先
- 来自专栏可以叫我才哥
用Python实现智能风控
《智能风控实践指南-从模型、特征到决策》 ▲主编：蒋宏 ▲组编：融360模型团队 ▲编著：马海彪 王欢 王超 智能风控已经被提及了很多年，在业界也有诸多应用实践，但是，智能风控相关书籍中，能够阐述完整智能风控体系 01 基于特征、精于模型、科学决策 首先，本书打造了完整的智能风控体系 有些同学认为智能风控就是机器学习模型，诚然，模型在智能风控中扮演了至关重要的角色，但智能风控绝不仅仅只是模型，本书将智能风控全流程 作者经历从传统风控到智能风控转型的全过程，以亲身实践系统全面的梳理智能风控发展的脉络，从理论和实践的角度给出了有价值的洞见，为希望理解和实施智能风控的读者提供了一份详实的路线图。 本书介绍了智能风控的发展历史，围绕风控模型、特征画像、风控策略等核心环节展开，系统性讲解智能风控在信贷领域的应用。 ； 第6章 介绍了智能风控相关的管理经验，解读智能风控中的一系列管理原则。
1.7K30编辑于 2022-11-11 - 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？
如何融合信息技术与证券业务，不断地通过先进的科技手段，通过数据的汇聚和分析，通过智能化的探索，为各业务板块的核心竞争力赋能，是各大券商关注的重点。 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。
1.9K10发布于 2021-10-12 - 来自专栏肉眼品世界
智能风控系统设计与实践
在信息安全领域，建立在人工智能技术之上的策略引擎已经深入到了风控产品功能的方方面面，相应的，每一个策略系统都离不开大量的特征，来支撑模型算法或人工规则对请求的精准响应，因此特征系统成为了支持线上风控引擎的重要支柱 本文以智能风控在线特征系统为原型，重点从线上数据从生产到特征物料提取、计算、存取角度介绍一些实践中的通用技术点，以解决在线特征系统在高并发情形下面临的问题和挑战。 特征系统的基本概念 1. c) 滑动窗口期：时间窗口的长度是固定的，但起止时间点一直在向前滚动，主要针对风控事中检测，常用来判读信息准入，例如风控发帖时间点前15分钟的计数。 c) 并发大，风控策略系统面向用户端，服务端峰值QPS超过35万，每日调用量超过200亿次。 总结和规划 本文主要以智能风控在线特征系统为原型，提出了在线特征系统的一些设计思路。其中特征工程系统的边界并不限于特征的解析、计算、存取等。
2.5K20发布于 2020-11-17 - 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 - 来自专栏数据猿
蚂蚁金服风控总监王黎强：智能风控助力新金融
本文为数据猿现场直播“蚂蚁金服风控总监王黎强：智能风控助力新金融”的发言实录。 以下是数据猿现场直播“蚂蚁金服风控总监王黎强”的发言实录： 事实上，阿里、蚂蚁大部分技术能力是通过在业务场景里解决一个又一个的具体问题所构建起来的，我们的智能风控体系也是一样。 第三阶段，大数据智能的风控体系，我们通过人工经验跟机器自身的学习，构建了一套智能化风控体系，这里面既做到了提前感知风险，又做到了风险自适应，而不是所有的风险防控去用人工的方式做修正，而更多的是通过机器智能的方式进行整个风控体系的自我修复 蚂蚁金服的智能风控体系有哪些核心的优势？我们总结下来有三个： 第一个优势，强大的技术跟算法。 举个例子，我们整个风控体系就像人的骨骼，数据是人的血肉，AI是人的大脑，三者有机结合在一起，构成了我们整个智能风控体系的框架。然后高效实时的运作起来，是蚂蚁金服智能风控体系的第一个优势。
3.4K61发布于 2018-04-25 - 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
4.4K20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
一、当前风控模式现状 近年来，信用风险管理发展呈现出数据化、模型化、系统化、自动化和智能化的特点。传统的人工专家经验正逐步被模型与算法替代。 从商务智能的角度说，模型，评分，策略等都是为业务服务的，脱离了业务场景的模型和评分是无本之木，无源之水。脱离了业务场景谈模型的准确性，没有意义。 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?
3.8K11编辑于 2022-08-14 - 来自专栏全栈程序员必看
支付风控模型
这就需要对风控模型进行合理的设计。一般来说，要提升风控的拦截效率，就需要考虑更多的维度，但这也会带来计算性能的下降。在效率和性能之间需要进行平衡。 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. 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
3.9K22编辑于 2022-08-11 - 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
3K60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 AI智能审计系统，企业风控的“超级大脑”
今天，我想和大家聊的，正是要颠覆这一切的“新物种”——AI智能审计系统。它不是简单的工具升级，而是一场思维革命，是企业风险管理的“超级大脑”。这个“超级大脑”到底牛在哪？ AI智能审计系统，不仅仅是一个产品，更是一个充满挑战和机遇的技术新大陆。 总而言之，AI智能审计系统，正在将审计师从“账房先生”升级为“风险策略师”，将企业的风险管理从“被动防御”升级为“主动智能”。
51410编辑于 2025-10-11- 来自专栏AI SPPECH
智能金融风控中的大模型实践_01
复杂欺诈检测、异常交易监控、智能风控决策等 大模型在金融风控中的核心应用场景 3.1 智能信贷风控 智能信贷风控是大模型在金融风控中的重要应用场景，主要包括： 客户信用评估：利用大模型分析客户的多维度数据 3.3 智能合规风控 智能合规风控是大模型在金融风控中的新兴应用场景，主要包括： 反洗钱监控：利用大模型分析交易模式和资金流向，识别可疑交易和洗钱行为，满足反洗钱合规要求。 5.1 国内金融机构实践案例 5.1.1 大型银行的大模型风控实践 案例4：某国有银行的大模型智能风控平台 该国有银行构建了基于大模型的智能风控平台，整合了行内交易数据、客户行为数据、外部征信数据等多源数据 跨领域风控：将大模型应用于跨领域的风控场景，如供应链金融风控、跨境交易风控等，提高风控的广度和深度。 智能风控决策自动化：实现风控决策的全自动化，减少人工干预，提高决策效率和一致性。 从智能信贷风控到智能反欺诈，从智能合规风控到智能市场风险管理，大模型在金融风控的各个领域都展现出了巨大的潜力。
1.7K20编辑于 2025-11-13 - 来自专栏AI SPPECH
智能金融风控中的大模型实践_02
特别是在数字化转型的背景下，金融机构需要更高效、更精准的风控手段来应对日益复杂的风险环境。 近年来，大语言模型（LLM）等人工智能技术的突破性进展，为金融风控带来了新的机遇。 概念解析 大模型在金融风控中的定义与应用场景 大模型（Large Model），特别是大语言模型（LLM），是指通过海量数据预训练、参数规模达到数十亿甚至数千亿的人工智能模型。 在金融风控领域，大模型主要指能够处理金融文本、图像、语音等多模态数据，提供风险识别、评估、预警等功能的智能系统。 自主决策与智能风控编排：未来的大模型将具备更强的自主决策能力，能够根据风险场景和业务需求，自动选择和组合不同的风控策略和模型，实现智能风控编排。 未来的风控将更加智能化、自动化、精准化，能够更有效地识别和控制各类金融风险。 金融机构竞争力重塑：大模型在金融风控中的应用将重塑金融机构的竞争力。
93310编辑于 2025-11-13 - 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
4.1K20编辑于 2022-04-12 - 来自专栏AI SPPECH
智能金融风控中的大模型实践_03
据统计，全球金融机构每年因欺诈造成的损失超过2800亿美元，传统风控手段的漏报率高达15-20%1。 随着人工智能技术的快速发展，大语言模型(LLM)为金融风控带来革命性变革。 对于金融科技从业者、风控专家和技术决策者，本文将提供全面的技术参考和实践指导，助力构建智能化、精准化、实时化的新一代金融风控体系。 目录 概念解析 技术原理 核心应用场景 实践案例分析 代码演示 实施挑战与解决方案 未来发展趋势 结论 参考文献 概念解析 智能金融风控的定义与演进 智能金融风控是指利用人工智能技术，特别是机器学习和自然语言处理技术 贷后管理：还款能力评估、催收策略优化 功能模块： 文档智能分析 风险预警引擎 反欺诈决策 合规检查系统 人机交互： 风控助手 智能问答 报告自动生成 接入层 API接口： 本文系统分析了大模型在金融风控中的技术原理、应用场景、实践案例及实施挑战，为金融机构智能化转型提供全面参考。
1.1K10编辑于 2025-11-12 - 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。
1.8K30编辑于 2022-07-02 - 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
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