4. 预期损失理论

阈值优化的本质，不是把欺诈率压到最低，而是在误拒与误授之间找到总成本最低的平衡点。要做到这一点，必须先把业务问题翻译成可计算的预期损失函数。本章围绕损失函数、两类错误成本、欺诈损失与运营成本，以及预期损失的计算框架展开，为后续阈值搜索与策略调优提供统一的数学语言。

一、核心原理：预期损失是阈值的函数

设一笔交易的风险评分为 s（分数越高越可疑），阈值为 t。当 s ≥ t 时拒绝，否则放行。对任意阈值，总体预期损失可写成四类成本的加权和：

EL(t) = P(s≥t|正常)·C_FR + P(s<t|欺诈)·C_FA
      + P(s≥t|欺诈)·C_FL + C_OP(t)

其中：C_FR 为误拒成本（False Reject），即正常交易被拦截带来的客户流失、客服与补偿成本；C_FA 为误授成本（False Accept），即欺诈交易被放行造成的资金损失；C_FL 为欺诈被正确拦截后仍需承担的欺诈损失（如已发生的部分损失、追偿失败）；C_OP(t) 为运营成本，包括人工复核、验证码、二次认证等随阈值变化的开销。

二、方法流程：从业务成本到预期损失

构建预期损失模型通常遵循以下步骤：

1. 定义错误类型与成本项：明确误拒、误授、欺诈拦截后损失、运营成本各自的业务含义与计量口径。
2. 量化单位成本：将客户流失、资金损失、人工工时等折算为统一货币单位，形成 C_FR、C_FA、C_FL 等参数。
3. 估计条件概率：基于历史样本或模型评分分布，估计正常与欺诈交易在不同阈值下的通过率与拦截率。
4. 计算各阈值下的预期损失：遍历候选阈值，计算 EL(t) 并绘制损失曲线。
5. 选择最优阈值：取 EL(t) 最小点，并结合业务约束（如欺诈率上限、误拒率上限）做最终决策。

下面是一个简化的参数配置示例，用于说明各成本项如何进入计算：

cost_config:
  C_FR: 120      # 误拒一笔正常交易的综合成本（元）
  C_FA: 800      # 误授一笔欺诈交易的资金损失（元）
  C_FL: 200      # 正确拦截后仍承担的欺诈损失（元）
  C_OP: 15       # 每笔进入人工复核的运营成本（元）
threshold_candidates: [0.3, 0.4, 0.5, 0.6, 0.7, 0.8]

三、案例/场景：阈值移动如何改变成本结构

假设某支付场景有 10,000 笔交易，其中欺诈 200 笔、正常 9,800 笔。模型评分可将欺诈与正常交易区分，但存在重叠。我们比较两个阈值下的成本表现：

这个案例说明：更严格的阈值并不必然带来更低的预期损失。当误拒成本较高、欺诈占比较低时，过度拦截的代价可能远超漏放损失。预期损失框架帮助团队跳出“欺诈率越低越好”的直觉，转向总成本最优。

四、误区与复盘：预期损失落地中的常见问题

复盘时建议重点检查三点：一是成本参数是否有业务方共同确认的口径；二是概率估计是否使用了与当前策略一致的数据分布；三是最优阈值是否在业务可执行范围内，避免理论最优但无法落地。