交易风控样本构建与模型训练指南 - 第1节
1.1 交易风控的定义
交易风控（Transaction Risk Control）是指在金融交易过程中，通过规则、模型、策略等手段，对交易行为进行实时或准实时的风险识别、评估与干预，以防范欺诈、盗用、洗钱、违规操作等风险事件，保障交易安全与资金安全。
交易风控的核心目标可以概括为：在正确的时间，对正确的交易，做出正确的风险决策。这要求风控系统具备高精度、低延迟、可解释和自适应能力。
关键定义要素：
- 对象：每一笔金融交易（支付、转账、信贷申请、账户操作等）。
- 手段：规则引擎、机器学习模型、知识图谱、设备指纹、行为序列分析等。
- 目标：区分正常交易与风险交易，对风险交易执行拒绝、人工审核、增强验证（如OTP）等处置。
1.2 风控在金融体系中的重要性
风控是金融体系的“免疫系统”，其重要性体现在以下三个层面：
| 层面 | 具体影响 | 典型后果（风控失效） |
|---|---|---|
| 资金安全 | 直接保护用户账户资金与平台自有资金 | 盗刷、账户余额归零、平台垫付巨额赔付 |
| 合规与声誉 | 满足监管要求（反洗钱、KYC），维护品牌信任 | 监管处罚、牌照吊销、用户流失、负面舆情 |
| 业务效率 | 降低人工审核成本，提升自动化交易通过率 | 误杀率过高导致交易失败率上升，用户流失 |
行业数据参考：根据Javelin Strategy & Research报告，全球支付欺诈每年造成的损失超过400亿美元。一个成熟的风控体系可以将欺诈损失率控制在交易总额的0.1%以下，而缺乏有效风控的平台这一比例可能高达1%-3%。
1.3 常见风控场景
不同金融业务场景面临的风险形态差异显著，需要针对性地设计风控策略。以下为三大核心场景：
1.3.1 信贷风控
信贷风控关注借款人的还款意愿与还款能力，核心是评估违约风险（Default Risk）。
- 申请反欺诈：识别伪冒申请、团伙欺诈、资料包装。
- 信用评估：基于征信、收入、负债等数据预测违约概率（PD）。
- 贷中监控：监测资金流向、多头借贷、异常交易行为。
- 贷后催收：对逾期账户进行分案与策略管理。
1.3.2 支付风控
支付风控关注交易环节的欺诈与盗用，核心是识别非本人操作或恶意交易。
- 盗刷防控：识别信用卡/借记卡被复制或信息泄露后的非授权交易。
- 账户盗用：检测账号密码泄露后的登录与转账行为。
- 洗钱与赌博：识别资金快进快出、分散转入集中转出等异常模式。
- 虚假交易：识别刷单、套现、空包等电商场景欺诈。
1.3.3 交易欺诈（广义）
交易欺诈涵盖更广泛的恶意交易行为，常与支付风控重叠，但更强调行为模式分析。
- 薅羊毛：利用新用户优惠、红包、积分规则进行套利。
- 恶意退货：购买正品后退回假货或空包裹。
- 社交工程欺诈：诱导用户主动转账或泄露验证码。
下表从核心指标维度对比三大场景的差异：
| 对比维度 | 信贷风控 | 支付风控 | 交易欺诈 |
|---|---|---|---|
| 核心风险 | 违约风险 | 盗用/非授权 | 套利/虚假行为 |
| 决策时效 | 分钟级~天级 | 毫秒级~秒级 | 秒级~分钟级 |
| 主要数据 | 征信、收入、多头借贷 | 设备、IP、地理位置、交易历史 | 行为序列、社交关系、商品信息 |
| 模型目标 | 预测违约概率 | 预测欺诈概率 | 识别异常行为模式 |
注意：在实际风控系统建设中，上述场景并非完全独立。例如，支付风控中发现的盗用账户可能同时涉及信贷产品的恶意申请；交易欺诈中的薅羊毛行为也可能与洗钱活动相关联。因此，构建统一的风控中台与样本管理体系是提升整体风控效率的关键。