二、风控基础概念：风险类型、风险指标与风控流程

智能风控平台的建设，首先需要回答三个基本问题：我们要防什么？（风险类型）、防得怎么样？（风险指标）、在什么环节防？（风控流程）。这三个问题构成了风控体系的基石。无论是传统银行的风控部门，还是互联网信贷、支付机构的风控团队，其核心工作都是围绕这三者展开的。本章将系统梳理风险类型的划分逻辑、核心风险指标的计算与解读方法，以及事前、事中、事后三段式风控流程的工程落地要点，为后续学习规则引擎和平台架构打下坚实的业务基础。

上图展示了风控基础概念的整体框架。风险类型是风控的对象，风险指标是风控的度量衡，风控流程是风控的落地路径。三者相互依存，共同构成智能风控平台的业务逻辑底座。下面我们逐一展开。

2.1 风险类型：识别“敌人”的面貌

在风控领域，风险并非一个笼统的概念，而是可以被清晰分类和定义的。不同类型的风险，其产生机理、行为特征、防控手段截然不同。如果混淆了风险类型，策略设计就会“张冠李戴”，导致巨大的损失。

2.1.1 核心风险类型详解

2.1.2 欺诈风险的细分

欺诈风险在互联网金融中尤为突出，需要进一步细分：

• 第一方欺诈：用户本人使用真实身份，但故意不还款或骗取商品。例如，用户下单后拒收且不退货，或申请贷款后恶意逾期。
• 第三方欺诈：犯罪分子盗用他人身份信息进行欺诈。例如，盗用他人身份证申请信用卡，或利用盗取的银行卡信息进行线上交易。
• 团伙欺诈：有组织、有预谋的多人协作欺诈。例如，黑产团伙利用批量注册的账号进行刷单、套现，或利用虚假资料批量申请贷款。

针对不同欺诈类型，风控策略的侧重点也不同。第一方欺诈需要关注用户历史行为模式和还款意愿；第三方欺诈需要强化身份核验和设备指纹识别；团伙欺诈则需要构建关联网络，识别异常聚集和协同行为。

2.1.3 案例拆解：某电商平台的“羊毛党”识别

某电商平台推出“新用户首单立减50元”活动，活动上线后首日订单量激增300%，但运营团队发现其中大量订单的收货地址集中在少数几个仓库区域，且手机号段高度相似。风控团队介入后，通过设备指纹识别发现，这些订单来自同一批设备（模拟器），且注册时间集中在凌晨2点至4点。进一步关联分析发现，这些账号之间存在相同的支付账号或收货电话。

这是一个典型的团伙欺诈场景。风控团队迅速调整策略：在注册环节增加滑块验证和人脸识别；在活动规则中增加“同一设备仅限一单”的限制；在交易环节实时监控设备指纹和IP地址的聚集度。最终，该平台拦截了约85%的欺诈订单，活动实际转化率回归正常水平。

2.2 风险指标：量化风险的“仪表盘”

风险指标是衡量风控效果和资产质量的量化工具。没有指标，风控就变成了“盲人摸象”。在智能风控平台中，指标不仅是监控工具，更是策略调优的输入信号。

2.2.1 核心风险指标定义与计算

2.2.2 指标的时间维度与口径

风险指标的计算口径直接影响其可比性和决策价值。常见的时间口径包括：

• 即期逾期率（Coincident）：当期逾期金额 ÷ 当期应还金额。反映当前时点的还款状况。
• 递延逾期率（Lag）：当期逾期金额 ÷ 前N期应还金额。更准确地反映历史放款的质量。
• Vintage分析：按放款月份分组，追踪每批放款在后续各月的逾期表现。这是评估资产质量最科学的方法之一。

例如，某消费金融公司2024年1月放款1亿元，到2024年6月，这批贷款的M3+逾期率为1.2%；而2024年2月放款的1亿元，到6月的M3+逾期率为0.8%。通过Vintage分析可以发现，1月的放款策略可能过于激进，需要回溯当时的审批标准和客群特征。

2.2.3 实战场景：通过率与逾期率的平衡

某线上信贷产品，初始通过率为45%，M3+逾期率为1.5%。业务部门希望提高放款量，要求将通过率提升至60%。风控团队通过模拟测试发现，如果直接放宽策略，M3+逾期率可能上升至2.8%，超过公司2%的风险容忍红线。

风控团队采取了“分层调优”策略：对信用评分在650分以上的优质客群，适当放宽额度上限；对评分在600-650分之间的客群，保持原有策略；对评分低于600分的客群，引入更严格的收入验证和联系人核查。最终，通过率提升至55%，M3+逾期率控制在1.9%以内，既满足了业务增长需求，又守住了风险底线。

2.3 风控流程：事前、事中、事后的闭环

风控不是单点拦截，而是贯穿业务全流程的闭环体系。智能风控平台的价值，在于将风控能力嵌入到每一个业务环节，实现实时、智能、可迭代的风险管控。

2.3.1 三段式流程详解

2.3.2 事前风控：准入与定价

事前风控是成本最低、效果最好的风控环节。在信贷场景中，事前风控的核心是“三查”：查身份、查信用、查能力。通过接入征信数据、内部历史数据、第三方数据源，构建多维度的客户画像，决定“贷不贷、贷多少、什么利率”。

在反欺诈场景中，事前风控还包括设备风险预检、IP风险评分、手机号风险标记等。例如，一个手机号在短时间内关联了超过5个不同的设备，或一个设备在1小时内注册了超过3个账号，这些信号都应在事前阶段被捕获并触发相应的验证或拦截策略。

2.3.3 事中风控：实时决策

事中风控要求平台具备毫秒级的实时决策能力。以支付场景为例，当用户发起一笔交易时，风控系统需要在100-200毫秒内完成风险评分、规则匹配、策略决策，并返回“放行/拦截/人工审核”的结果。

事中风控的关键技术包括：

• 实时特征计算：基于流式计算框架（如Flink、Spark Streaming），实时计算用户行为特征，如“过去5分钟内的交易频次”、“当前设备的历史风险评分”等。
• 规则引擎：将风控策略配置为可执行的规则集，支持热更新，无需重启服务。
• 模型推理：部署机器学习模型（如XGBoost、深度学习模型），对每笔交易进行实时风险评分。

2.3.4 事后风控：复盘与迭代

事后风控不是简单的“秋后算账”，而是整个风控闭环的“大脑”。通过对已发生风险案件的深度分析，发现策略漏洞和新型风险模式，反哺事前和事中风控。

事后风控的核心工作包括：

1. 案件调查：对确认欺诈或逾期的案件进行人工调查，还原风险链条，提取新的风险特征。
2. 策略回测：将历史数据回放到新的策略中，验证策略的有效性和副作用。
3. 模型重训：定期使用新数据重新训练风控模型，保持模型的时效性和准确性。
4. 指标监控：持续监控各阶段的风险指标，发现异常趋势及时预警。

2.3.5 案例闭环：某支付平台的“盗刷”事件处置

某支付平台在凌晨2点至5点期间，监测到一批异常交易：大量用户在同一时间段内，从异地IP发起小额转账（单笔金额在50-200元之间），且收款账户均为新注册的商户号。事中风控系统触发了“异地登录+新收款方+非活跃时段”的组合规则，自动拦截了约70%的异常交易，但仍有部分交易成功。

事后调查发现，这是一起典型的撞库攻击——黑产团伙利用用户在其他平台泄露的账号密码，尝试登录支付平台，并对账户余额进行小额盗刷。风控团队立即启动了应急响应：

• 对受影响用户发送短信和推送通知，提醒修改密码；
• 对涉案商户号进行冻结，并追溯其注册信息和交易记录；
• 在事中阶段新增“设备指纹+行为习惯”的二次验证规则，对非惯用设备的高风险交易强制要求短信验证码；
• 将本次攻击中提取的IP段、设备指纹、手机号加入黑名单库。

经过一周的处置，盗刷事件得到有效控制，日均拦截可疑交易数千笔，用户资金损失率降至0.01%以下。复盘发现，此次事件暴露了平台在“弱密码检测”和“新商户号风控”方面的不足，后续在产品中增加了强制密码强度校验和商户入驻的线下审核流程。

2.4 本章总结与复盘

本章我们系统梳理了风控基础概念的三大支柱：风险类型、风险指标和风控流程。核心要点如下：

• 风险类型是风控的“靶子”，欺诈、信用、合规、操作四类风险各有其独特的识别和防控方法，不能混为一谈。
• 风险指标是风控的“仪表盘”，逾期率、欺诈率、通过率等指标需要组合使用，并注意时间口径和计算逻辑。
• 风控流程是风控的“作战地图”，事前、事中、事后三段式闭环，确保风险在每个环节都得到有效管控。