2024-02-24（反欺诈风控场景入门随意了解）

1.欺诈风险和信用风险的区别

信用风险：借款人因为某些原因导致不能及时足额的偿还贷款，从而违约的可能性。

欺诈风险：借款人在发起借款请求的时候，就无意还款的风险。

2.反欺诈的三个重要步骤

特征工程：反欺诈体系的灵魂之一，反欺诈听起来很技术，但却不是一个纯技术活，因为对特征的构造和选取十分依赖对业务的理解和风控认知。

模型开发：反欺诈的主角，与其说模型开发就是把模型搭建起来，不如说模型开发的难点其实在于选择和搭配正确并且合适的模型。

机器学习大类可以分为有监督和无监督两种，但是这两种类别都可以为反欺诈所用。

有监督学习主要是对于历史欺诈行为数据的学习来制定标签，已经是比较成熟和主流的反欺诈方法，通常常用的模型包括逻辑回归，随机森林，xgboot，lightGBM。但是有监督学习的弊端在于即使识别出和历史情况相似的诈骗，但是却会对变种的诈骗以及新型诈骗无能为力。

而无监督学习可以通过对全用户各维度数据的聚类，来找出与绝大多数用户差异较大的点，从而进行拦截，这是一种新颖的思路，但是因为结果不稳定，解释性不够强，所以还需要更多的实践去验证。

所以想当然的选择某个单一的模型是不够的，不同的模型之间要进行相应的配合，把业务及人为规则和模型结合起来一起使用。

3.五种金融机构常见风险

流动性风险，市场风险，信用风险，操作风险（包含欺诈风险），政策风险。

4.欺诈种类介绍

1.第一方欺诈：我就是“我”，恶意骗贷

2.第三方欺诈：我不是“我”，身份伪冒，盗用账户，团伙欺诈

3.申请欺诈：身份伪冒，中介包装，黑产

4.交易欺诈：账户盗用，养卡，套现

5.什么样的数据可以应用到反欺诈

用户环境数据：网络IP地址，设备指纹，地理位置

用户自身属性：爬虫，第三方数据，自有数据

6.贷款流程

曾经：

2000-2008年后，全球进入大数据时代，随着用户数据的整合，诞生央行征信，公安人脸数据，芝麻信用分，同盾分，百度黑中介分等参考数据。银行，消费金融公司，小额贷公司可以利用大数据建模，利用机器智能决策代替绝大多数人工审核，缩短信贷流程，减少贷款风险，实现利润最大化。

现代大数据时代的风控部门主要分为贷前，贷中，贷后管理三个板块。

7.信用评分算法是银行风控核心技术

信用评分算法对违约概率进行预测，是银行用来确定是否应该授予贷款的方法。数据属于个人消费类贷款，通过预测某人在未来两年内遇到财务困境的可能性，提高信用评分的最新水平。

银行在市场经济中发挥着至关重要的作用。他们决定谁可以获得资金以及以什么条件获得资金，并且可以做出投资决策或者终止投资决定。为了让市场和社会发挥作用，个人和公司需要获得信贷。