【博客地址】：https://blog.csdn.net/sunyaowu315
【博客大綱地址】：https://blog.csdn.net/sunyaowu315/article/details/82905347

需要項目數(shù)據(jù)、代碼資料，請?zhí)砑觪q群：102755159，或留言聯(lián)系筆者郵件發(fā)送！！！
如果對金融風控、機器學習、數(shù)據(jù)科學、大數(shù)據(jù)分析等感興趣的小伙伴，可添加微信交流（郵件中備注，我會附上微信號）
話不多說，直接上代碼。

---

一 概述

余額支付的風險識別模型分為兩類：（1）盜號交易識別風險 和 （2）盜卡交易識別風險。其中盜卡交易識別風險和余額有關(guān)主要是由于騙子注冊號碼幫盜來的卡，然后進行充值到余額，通過余額支付銷贓。（1）和（2）兩種針對的情景不一樣，采用的特征變量和變量的重要性很大程度是不一樣的。針對（1）的問題，主要是看當前交易相對用戶之前的行為是否存在異常。針對（2）的問題，主要看用戶信息和綁卡的信息匹配的一致性，可信性，以及當前賬號的可信度。

在整體篇，提到風險識別領(lǐng)域采用的常規(guī)的方法是專家規(guī)則系列和模型系列。規(guī)則體系中每個規(guī)則針更多對單一風險場景和問題來制定的，偏重精準性和稍微兼顧覆蓋率。模型系列更加覆蓋率，模型不斷學習來增加識別各種風險場景的能力。模型的一個好處就是可以不斷學習，對各種風險場景可以有個統(tǒng)一的量化評估，比如0-100分。如果一個風控團隊想對外輸出風控能力，一個必備的能力，就是必須對外輸出風險評分，決策層讓客戶自己做，而不是直接輸出拒絕，還是放過。這篇，我主要談談關(guān)于盜號的風控模型：余額支付盜號交易識別的風險評分模型。主要圍繞圖1展開：

二 樣本和特征

風險評分模型可以看成一個二分類問題，就是設(shè)計個模型能把好的交易樣本和壞的交易樣本盡可能區(qū)分出來。做風險評分模型這個項目前，先得積累足夠多的數(shù)據(jù)（樣本和特征），不然真是巧婦難為無米之炊。所以，系統(tǒng)需要有套收集數(shù)據(jù)的機制，尤其是壞樣本的數(shù)據(jù)收集機制。對于交易而言，可以以訂單號來標記一條樣本，樣本由多個特征變量組成，這些特征變量基本可以包含交易維度的變量，交易雙方的特征變量等。首先，系統(tǒng)需記錄整體交易這些相關(guān)的數(shù)據(jù)。然后，通過人工標記壞樣本的方式來記錄壞樣本訂單號，在支付領(lǐng)域壞樣本人工標記方式可以通過用戶報損反饋，也可以是人工通過相關(guān)黑信息關(guān)聯(lián)找出來的標記樣本。系統(tǒng)設(shè)計是盡可能多的和并且盡可能精準的的收集到壞樣本。對于好樣本，如果樣本特征變量中不包含某些周期性變量，可以負采樣過去幾天的交易樣本，最好有距離目前時間一周以上的時間間隔，方便用戶反饋，從里面剔除壞樣本和某些設(shè)定規(guī)則下的過濾的樣本（存在異常樣本和沒有報損的樣本）。

在風控建模領(lǐng)域，一個典型的問題就是樣本有偏。舉個例子說明：假如你發(fā)現(xiàn)騙子符合某些聚集特征，你指定策略1進行打擊后，騙子的這種欺詐手段被控制，以后的損失案例都不具備這樣的聚集特征。如果你的壞樣本的收集時間在策略1上線之后，這個時候模型訓練的結(jié)果極有可能出現(xiàn)滿足聚集特征的風險低，不滿足聚集特征的交易反而風險高，也就是說聚集特征的權(quán)重是負數(shù)。這時候模型的解釋性出了問題，這個也是模型訓練中一個過擬合問題的范疇。為了有效解決這個問題，可以根據(jù)業(yè)務經(jīng)驗來查看模型中變量的權(quán)重是否與經(jīng)驗相悖，如果相悖，需要仔細評估。對于是樣本有偏帶來的問題，可以通過重新加入符合某些條件的樣本來彌補。對于這些彌補的樣本獲取方法一種可以從攔截樣本中選擇，一個可以根據(jù)經(jīng)驗來人工生成樣本。

談談模型的不平衡學習。風控模型學習是個典型的不平衡學習問題，他同時具備不平衡學習領(lǐng)域兩個問題：（1）正負樣本比率懸殊，但是正負類樣本都足夠多；（2）正樣本樣本個數(shù)也很稀少。第一個問題是基本滿足樣本在特征空間的覆蓋情況，只是比率較大導致某些學習模型應用會出現(xiàn)問題。第二個問題是樣本太少，導致樣本在特征空間的覆蓋很小，極容易過擬合，不能覆蓋特征空間和對欺詐場景的覆蓋。對于第二個問題，最好的方法還是先收集樣本+一些不平衡學習方法。對于正負樣本的比率問題，有的用1:1，有的人用1:10，有的說是1:13.這些大多都是經(jīng)驗。我一般用，其實也是經(jīng)驗，1:10。其實，對于比率這個問題，說到底就是負樣本該采樣多少的問題。我覺得只要保證負樣本也盡可能多滿足覆蓋特征空間就好，因為很多負樣本（好的交易樣本）模式都是很相似的，對于相似的模式不用保留太多的樣本。但是本來正樣本就少，如果負樣本和正樣本一樣多，我個人認為隨機采樣的負樣本覆蓋的特征空間會很小，所以，我個人不是很贊同1:1的比率。具體可以參考我的這篇博客：http://blog.csdn.net/hero_fantao/article/details/35784773

三 特征預處理

特征大體可以分為連續(xù)特征變量和類目特征變量。特征預處理主要會圍繞這兩類特征來進行的。主要分為缺失值填充，異常值處理，連續(xù)特征歸一化處理，連續(xù)特征離散化處理。

3.1 缺失值填充

特征的缺失值填充前，我們需要先統(tǒng)計特征的缺失值比率。采用某個特征來區(qū)別正常交易和異常交易前，這個特征的缺失值比率不能超過一定的閾值。對于缺失值填充的常用方法有：均值，中值，0值等。

3.2 異常值處理

可能由于某些原因，導致系統(tǒng)在收集樣本時候，出現(xiàn)錯誤，特征值過大或者過小。當然，這個可能本來數(shù)據(jù)就是這樣，但是，我們也需要做個處理。常用的方法：設(shè)置分位點做截斷，比如0.1%,99.9%分位點等。

3.3 連續(xù)特征歸一化處理

對于連續(xù)特征，比如用戶的注冊時間間隔，原來的值范圍各自不同，不在統(tǒng)一的尺度。有的連續(xù)特征值范圍大，有的連續(xù)特征值范圍小。如果不做歸一化處理，連續(xù)特征中值范圍的大的特征會淹沒值范圍小的連續(xù)特征對模型的影響。所以，有必要對連續(xù)特征做歸一化處理。

常用的連續(xù)特征歸一化處理方法：（1）min-max方法； （2）z-score方法。

對于互聯(lián)網(wǎng)數(shù)據(jù)，很多特征呈現(xiàn)長尾power-law分布，所以，大多場景針對這種情況在做min-max 或者z-score之前，會對連續(xù)特征先做log(x)變換。

3.4 連續(xù)特征離散化處理

相對連續(xù)特征歸一化處理，還可以對連續(xù)特征進行離散化處理。在logistic regression中，大家經(jīng)常會把連續(xù)特征做離散化處理，好處：（1）是避免特征因為和目標值非線性關(guān)系帶來的影響；（2）離散化也是種給lr線性模型帶來非線性的一種方法；（3）方便引入交叉特征；（4）工程實現(xiàn)上的trick。

常見的離散化處理手法：非監(jiān)督的方法和監(jiān)督的方法。非監(jiān)督的方法：等寬，等頻，經(jīng)驗，分布圖劃分等。監(jiān)督方法：基于信息增益或卡方檢驗的區(qū)間分裂算法和基于信息增益或卡方檢驗的區(qū)間合并算法等。我個人常用的監(jiān)督的方法是合并算法，其中具體的介紹可以參考我的這篇博客：http://blog.csdn.net/hero_fantao/article/details/34533533

在風控采用lr模型的時候，對于連續(xù)特征采用離散化處理會有個這樣的問題：因為我們的壞樣本是針對過去的欺詐場景的，欺詐手法在長期博弈中不斷升級。我們不僅要讓模型盡可能多的覆蓋過去的欺詐手法，對未來產(chǎn)生欺詐對抗有一定的適應性，不至于失效太快。采用離散化處理后，就可能出現(xiàn)很大的跳變性。假設(shè)我們過去的的壞樣本都是剛注冊不久的用戶，那注冊時間間隔做離散化處理時候，就可能分為A，B兩段，離散化處理后可以看成0-1二值變量，落在A段為1，否則為0。 為1時候風險高，權(quán)重為正值。如果這個變量在過去對正負樣本區(qū)分度很高，可以看成核心變量的話，那如果騙子繞過A段，跳到B段的話，對模型的預測能力衰弱會是致命的。

四 特征選擇

模型訓練前必不可少的一項工作就是特征選擇，包括特征重要性和決定最終哪些特征會進入模型。對于一個領(lǐng)域?qū)＜襾碚f，看你采用的特征集合和以及特征的重要性分布基本就能看出你模型大體會對那些場景預測的準，哪些場景你是預測不出來的。在風控領(lǐng)域就相當于特征集合決定你能覆蓋哪些欺詐場景，會對哪些場景的正常交易進行了誤判。對于一個風控領(lǐng)域新人來說，最快的進入領(lǐng)域就是看目前風控系統(tǒng)模型采用了哪些特征集合以及特征的重要程度。

談談在模型訓練前做特征選擇的幾個好處：（1）去除冗余，不相關(guān)特征；（2）減少維度災難；（3）節(jié)省工程空間成本。常用的方法：（1）信息值：information value，簡稱IV值；IV值越大，重要程度越高。（2）信息增益： information gain； 是采用信息熵的方法，信息增益表示信息熵的變化， 增益越大，說明特征區(qū)分度越明顯。（3）前向后向選擇，依賴模型，通過AIC或者BIC來選擇最優(yōu)特征集合。

五 模型

5.1 模型簡介

這里采用的模型是logistic regression ，簡稱LR模型。選擇這個模型的理由：（1）簡單，可解釋性強；（2）線上實施響應時間快，風控有在線實時響應時間限制，所以在特征變量使用和模型復雜度上都有要求。

特征變量方面：基于歷史的變量需要提前計算好，調(diào)用外部接口所需要的變量要么在支付環(huán)節(jié)之前某個環(huán)節(jié)預獲取或者采用異步方式（異步方式會影響當前判斷的準確性）。

模型方面：最好選擇簡單和泛化能力強的模型，復雜或者ensemble model在離線實驗也許表現(xiàn)好，但是在線上未必好，復雜模型尤其是GBDT這種ensemble模型在風控數(shù)據(jù)下容易過擬合（風控數(shù)據(jù)小）。從我在風控應用模型的經(jīng)驗來看，目前階段還不是拼模型的階段，更多是找到風險特征。模型對惡意行為識別不好，更多可能是惡意特征沒覆蓋或者突破了當前模型的幾個核心變量。

下圖是LR模型的簡介:

這是個預測函數(shù)，訓練樣本就是為了求解這個w。這里面涉及損失函數(shù)設(shè)計問題和最優(yōu)值求解問題。常用的損失函數(shù)是logloss：

模型中采用正則化是為了避免過擬合，我覺得風控建模上一個重要問題就是過擬合，避免幾個核心變量的權(quán)重過大。常用的最優(yōu)求解方法有如下幾種：（1）batch 梯度下降法；（2）L-BFGS。具體細節(jié)可以參考：

http://scikit-learn.org/stable/modules/linear_model.html#logistic-regression

5.2 模型訓練和評估

訓練： 劃分數(shù)據(jù)集為訓練集和測試集： 采用 k-fold cross-validation 交叉驗證。K可取5或者10等。選擇模型，如Logistic Regression 模型，調(diào)節(jié)參數(shù)，對訓練集進行訓練，直至模型收斂，然后對測試集進行預測。可以用k-fold的平均結(jié)果作為整體預測結(jié)果來衡量模型。

評估指標： AUC，準確率和召回率, F1-score等。

下圖是ROC曲線和風險評分預測分值的累積分布：

這里面再提一點：就是上面這些評估指標即使表現(xiàn)良好，但是也未必說明模型應用沒什么問題。常見的一點：特征的相關(guān)性影響（特征相關(guān)性對模型抗噪性有影響）。對于強相關(guān)的特征需要做下處理，能整合成一個變量最好。特征相關(guān)性在模型結(jié)果的表現(xiàn)上可能會出現(xiàn)特征的權(quán)重正負方向和大家認知相反，比如某個高風險特征和預測結(jié)果應該呈現(xiàn)正相關(guān)，但是模型結(jié)果顯示卻呈現(xiàn)負相關(guān)。這個大多由于另外一個更強特征和該特征呈現(xiàn)相關(guān)性造成的。相關(guān)性導致的這些問題，會讓模型的解釋性出現(xiàn)問題。在風控領(lǐng)域，模型解釋性很重要。

5.3 風險評分的應用

計算線上不同分值段交易量大小，最好能給出不同分值段惡意交易比率。可以根據(jù)不同業(yè)務場景設(shè)定不同分數(shù)閾值，即使同一場景也可以根據(jù)不同分數(shù)閾值來進行不同的懲罰手段，分數(shù)很高的時候可以進行凍結(jié)賬號等。值得一提的是，交易行為中有一定數(shù)量的高危行為，但是這些高危行為未必都是欺詐行為，異常不代表欺詐。很多正常的人某些行為和欺詐很相似，同樣欺詐者隨著博弈對抗加劇，也越來越偽裝成正常交易。在風控，有時候為了增加對欺詐行為的覆蓋，犧牲一小部分用戶支付體驗，也是值得的。我認為，風控一個重要的工作就是在風險和支付體驗上獲取平衡，如果支付體驗不好，風險控制再好，也是沒有意義的。

風險評分應用一個重要的方面：對交易評分實時查詢，相應變量值展示，以及重要變量觸犯展示等一些列解釋行為。這塊叫做告訴別人為什么你風險高或者為什么風險低。

總結(jié)

以上是生活随笔為你收集整理的【模型开发】风控评分模型开发流程的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。