【风控】风控模型体系搭建

一、简介

信贷产品从获客到回款，贯穿 营销（Acquisition）→ 贷前（Pre‑loan）→ 贷中（In‑loan）→ 贷后（Post‑loan）四个阶段。
每个阶段均面临不同风险：

• 营销阶段：如何提高获客转化、剔除低质或欺诈流量
• 贷前阶段：在放款前识别并拦截高风险申请
• 贷中阶段：监控存续账户行为，防止资产恶化
• 贷后阶段：催收管理与回款优化

整体流程图示：

营销 ──> 贷前 ──> 贷中 ──> 贷后
    ↑                  ↓
  流量             回款/催收

二、营销阶段

2.1 目标

• 精准触达潜在优质客户
• 提升营销活动 ROI，降低获客成本
• 过滤异常或恶意流量

2.2 关键模型

模型	主要作用	常用算法	关键特征
营销响应模型	预测客户对营销活动（短信/推送/广告）的响应概率	逻辑回归、XGBoost、DNN、Uplift模型	用户画像、点击/浏览行为、渠道来源
流量筛选模型	初步剔除僵尸用户及潜在欺诈流量	规则引擎 + 轻量级分类模型	IP、设备指纹、访问频次、代理/VPN 信息

2.3 营销响应模型细节

1. 特征工程
   • 用户基础：性别、年龄、地区、设备类型
   • 行为画像：24h/7d 浏览量、活跃时段、历史转化
   • 渠道属性：广告位、触达方式、投放预算
2. 建模与评估
   • 划分训练/验证集，使用 AUC、KS、Lift Chart 评估
   • 持续 A/B Testing，实时监测线上效果

2.4 流量筛选模型细节

1. 规则层
   • 黑名单过滤：历史欺诈账户、异常设备号
   • 阈值过滤：单日点击数、留存时长、跳出率
2. 模型层
   • 特征：设备变更频率、IP 段分布、Account Fragmentation
   • 算法：轻量级决策树 / 逻辑回归，实时评分

三、贷前阶段

3.1 目标

• 在放款前对申请进行多维度风险识别
• 拦截高风险/欺诈申请，降低首贷不良率

3.2 关键模型

模型	主要作用	常用算法	关键特征
反欺诈模型	识别身份造假、团伙欺诈、资料作假等	随机森林、LightGBM、GNN、图谱分析	设备指纹、通讯录网络、注册信息、行为轨迹
信用评分模型	评估客户还款意愿与能力、决定授信额度	逻辑回归、XGBoost、深度学习	征信记录、还款历史、收入水平、多头负债、外部数据
规则引擎（补充）	硬性筛选：黑名单、限制规则	规则库	黑白名单、地域限制、高风险职业等

3.3 反欺诈模型细节

1. 图谱分析
   • 构建申请人与设备/联系人/IP 的异构图
   • 利用 GNN 或 PageRank 识别团伙网络
2. 监督学习
   • 正负样本：历史欺诈 vs 正常放款
   • 特征：申请路径、设备关联度、通讯录共现、交易轨迹
   • 指标：召回率（Fraud Recall）、精确率（Precision）

3.4 信用评分模型细节

1. 征信数据整合
   • 人行征信、第三方征信（芝麻分、运营商报告）
   • 近 12–24 个月借还记录、逾期次数/天数
2. 本地化特征
   • 行业景气度、节假日/工资日还款行为
   • 社交关系、联系人特征
3. 模型校准
   • PSI（Population Stability Index）监控分数分布
   • 定期重训练、灰度上线

四、贷中阶段

4.1 目标

• 在贷款存续期间持续监控客户风险
• 对账户进行动态管理（调额、冻结、降额等）
• 实时拦截套现、异常消费等行为

4.2 关键模型

模型	主要作用	常用算法	关键特征
行为评分模型（BS）	定期评估客户风险等级，用于账户管理与调额策略	滑动窗口特征 + XGBoost、LightGBM	还款记录、消费/提现频次、账户余额、逾期趋势
交易风险模型（TRM）	实时识别异常交易（套现、洗钱、高风险商户等）	规则引擎 + 异常检测（Isolation Forest、AutoEncoder）	消费金额、商户类别、交易时间/地点、设备指纹

4.3 行为评分模型细节

1. 时间窗口特征
   • 近 7/30/90 天的还款率、消费金额、提现金额
   • 最大连续逾期天数、逾期频次
2. 动态分群
   • K‑Means 或 DBSCAN 对客户分层，制定分层策略
3. 策略联动
   • 高风险账户：自动触发风控提醒、降额/冻结
   • 中低风险：按计划提升额度、优惠激励

4.4 交易风险模型细节

1. 规则库
   • 套现场景：小额多次提现 + 关键商户组合
   • 洗钱特征：交易链路、异常终端
2. 异常检测
   • 用自编码器重构误差或孤立森林异类分数判定风险
   • 实时评分 + 离线模型定期迭代

五、贷后阶段

5.1 目标

• 提升整体回款率，降低不良损失
• 智能化催收，最优成本/效果

5.2 关键模型

模型	主要作用	常用算法	关键特征
还款预测模型	预测客户是否能够/何时还款，用于分层催收策略	分类（XGBoost、LightGBM）、回归	逾期天数、剩余期数、历史还款行为、收入变化
失联预估模型	预测客户联系难度，用于安排最优催收渠道	多分类模型、LSTM 序列模型	通话记录、位置活跃、App 登录行为、社交网络
催收策略优化模型	针对不同层级客户制定个性化催收路径（短信→电话→上门）	强化学习、策略树、A/B 测试	催收成本、催收效果、客户反馈

5.3 还款预测模型细节

1. 标签定义
   • 二分类：是否逾期超过 N 天
   • 回归：逾期天数或预计还款金额
2. 特征工程
   • 账户画像：借款金额/期数、剩余本金、还款计划
   • 客户动态：近 30 天收入提现波动、平台活跃度
3. 评估与应用
   • 精度（Accuracy）、召回、G-mean、F1
   • 基于分层结果自动推送定制化催收素材

5.4 失联预估 & 催收策略

1. 失联预估
   • 序列建模：LSTM 处理时间序列通话/登录数据
   • 输出：高/中/低可联系概率
2. 催收策略
   • 强化学习：状态（客户分层、失联概率）→ 动作（渠道、频次）→ 奖励（回款/成本）
   • 持续 A/B 测试验证策略改进效果