1. 风控概述：金融风控的定义、实时风控的重要性、风控系统架构概览
1.1 金融风控的定义与核心目标
金融风控（Financial Risk Control）是指金融机构通过一系列策略、模型和系统，识别、评估、监测并缓释业务中潜在损失的过程。其核心目标是在收益最大化与风险最小化之间取得动态平衡。
| 维度 | 传统风控 | 实时风控 |
|---|---|---|
| 数据时效 | T+1 或离线批处理 | 毫秒级在线处理 |
| 决策速度 | 分钟级～小时级 | 100ms 以内 |
| 特征粒度 | 日频、月频聚合 | 事件级、滑动窗口 |
| 典型场景 | 贷前审批、贷后监控 | 交易反欺诈、实时授信 |
关键指标： 风控效果通常用 KS（Kolmogorov-Smirnov）、AUC（Area Under Curve）、坏账率、通过率 等指标衡量。实时风控还需关注 P99 延迟 和 吞吐量（TPS）。
1.2 实时风控的重要性
随着移动支付、线上信贷、数字货币的普及，欺诈手段从“低频大额”转向“高频小额、团伙作案、设备模拟”。传统 T+1 风控无法拦截瞬时发生的盗刷、薅羊毛、洗钱等行为，实时风控成为刚需。
- 拦截时效： 欺诈交易在几秒内完成，只有毫秒级决策才能阻断资金损失。
- 用户体验： 实时授信、实时提额要求风控决策与用户操作同步，无感知通过。
- 监管合规： 反洗钱（AML）、反欺诈（FR）监管要求对可疑交易实时监控与上报。
- 业务连续性： 实时风控系统需具备高可用、低延迟、弹性扩缩容能力。
行业数据： 某头部支付机构上线实时风控后，欺诈损失下降 72%，同时用户通过率提升 15%，P99 延迟控制在 50ms 以内。
1.3 风控系统架构概览
一套完整的实时风控系统通常包含 数据接入层、特征工程层、决策引擎层、模型服务层 和 监控看板层 五个核心模块。下图展示了各层之间的数据流与调用关系。
1.4 各层职责与关键技术
| 架构层 | 核心职责 | 常用技术/组件 |
|---|---|---|
| 数据接入层 | 接收用户行为、交易、设备等实时事件流 | Kafka、Flume、HTTP API、WebSocket |
| 特征工程层 | 对原始事件进行窗口聚合、统计、编码、衍生 | Flink、Spark Streaming、Redis 计数器 |
| 决策引擎层 | 执行规则判断、模型打分、策略编排 | Drools、自研规则引擎、Python/Java 策略服务 |
| 模型服务层 | 加载并运行机器学习模型，输出风险评分 | XGBoost、LightGBM、TensorFlow Serving、ONNX |
| 监控看板层 | 实时展示风控指标、告警、报表 | Grafana、Kibana、自研 Web 看板 |
| 数据存储层 | 存储特征、规则、模型、日志、结果 | Redis、HBase、ClickHouse、MySQL |
常见误区： 很多团队将特征工程与决策引擎耦合在一起，导致系统难以扩展。正确的做法是将特征计算独立为微服务，通过 特征中心 统一管理，支持在线与离线特征复用。
1.5 实时风控的核心挑战
- 低延迟： 端到端决策需控制在 100ms 以内，特征计算不能成为瓶颈。
- 高吞吐： 大型支付平台每秒处理数万笔交易，系统需具备水平扩展能力。
- 特征一致性： 在线特征与离线训练特征必须对齐，否则模型效果会大幅下降。
- 模型更新： 风控模型需要频繁迭代，实时系统需支持热加载与 A/B 测试。
- 可解释性： 监管要求风控决策可追溯、可解释，黑盒模型难以通过合规审查。
本课程聚焦： 从第 2 章开始，我们将深入 实时特征工程 的落地细节，包括滑动窗口设计、特征存储、在线/离线一致性校验，以及如何用 Python + Flink + Redis 搭建一套可用的实时风控特征系统。