2. 风控模型基础

在进入独立验证之前，必须先建立一套“模型地图”：不同风控场景下，模型到底在预测什么、标签如何定义、业务上又受到哪些硬约束。独立验证的核心不是复算AUC，而是判断模型在既定业务约束下是否真的可用、可控、可解释。因此，本章先厘清信贷风控、反欺诈、营销风控三大场景的模型类型、目标变量与约束条件，为后续验证框架打下基础。

一、核心原理：三类场景的建模逻辑差异

风控模型的本质是“在不确定条件下做风险排序与决策”。但不同场景的风险定义、样本分布和决策成本差异极大，导致建模逻辑完全不同。

• 信贷风控：核心是“违约概率”。目标变量通常是未来某窗口内是否逾期（如DPD30+、DPD60+、DPD90+）。样本以“通过且放款”的客户为主，存在明显的样本选择偏差。模型输出多为评分卡分数或PD值，用于准入、额度、定价、催收策略。
• 反欺诈：核心是“异常行为识别”。目标变量是“是否欺诈/是否黑产/是否盗刷”，但标签稀疏、延迟严重、对抗性强。模型更关注召回率与响应速度，常采用规则+模型+图谱的混合架构。
• 营销风控：核心是“响应与风险的双重优化”。目标变量可能是“是否响应”“是否转化”“是否薅羊毛”。它既要提升转化，又要防止被黑产套利，因此常做多目标建模或风险约束下的收益最大化。

二、方法流程：从业务问题到可验证目标变量

把业务问题转化为可验证的建模目标，通常遵循以下流程：

1. 明确决策点：模型用在贷前、贷中、贷后，还是交易、注册、营销触达环节。
2. 定义风险窗口：观察期、表现期、成熟期如何划分。例如“申请后6个月内是否发生DPD30+”。
3. 确定标签口径：坏样本定义、灰样本处理、剔除规则、样本权重。
4. 识别业务约束：通过率下限、额度上限、利率上限、召回率要求、误杀成本、监管合规要求。
5. 选择模型类型：评分卡、GBDT、深度学习、规则引擎、图模型等。
6. 建立验证基线：与现有策略、规则、旧模型对比，确认增量价值。

以信贷申请评分卡为例，一个典型的目标变量配置如下：

目标变量：target = 1 if 放款后180天内出现DPD30+ else 0
观察期：申请日前6个月
表现期：放款后180天
样本范围：通过审批且成功放款的客户
剔除规则：放款后30天内主动结清且无逾期记录
样本权重：按放款月份做时间衰减加权

反欺诈场景则更强调实时性与对抗性，目标变量往往定义为：

目标变量：is_fraud = 1 if 订单在T+7内被确认为欺诈 else 0
标签来源：人工调查、客诉、黑名单、资金损失确认
正样本比例：通常低于0.5%
关键约束：召回率 >= 85%，误杀率 <= 3%，响应时间 < 200ms

三、案例/场景：三类风控的模型与约束对照

下表汇总了三类场景在模型类型、目标变量、核心约束和验证重点上的差异，便于在独立验证时快速定位检查项。

四、误区与复盘：目标变量与约束的常见陷阱

实际项目中，大量验证争议并非来自算法，而是来自目标变量和业务约束定义不清。以下是最常见的四类误区：

• 标签窗口不一致：训练用12个月表现期，验证用6个月，导致坏样本率与模型排序不可比。
• 样本选择偏差被忽略：信贷模型只用了“通过客户”，验证时却用全量申请样本，AUC虚高。
• 反欺诈标签延迟：欺诈确认可能滞后30天以上，验证时把未确认样本当作好样本，低估风险。
• 营销风控只看转化不看风险：模型提升了转化率，但套利用户同步增加，实际收益为负。

复盘时建议采用“目标变量-业务约束-验证指标”三层对齐法：先确认标签定义与业务决策点一致，再确认约束条件可量化，最后才选择验证指标。例如，信贷场景若约束是“通过率不低于65%”，则验证不能只看AUC，还要看该通过率下的坏账率与KS。