支付风控样本构建与特征工程实战 - 第1节
1.1 支付风险类型：欺诈、盗刷、洗钱
支付风控的首要任务是识别并阻断三类核心风险：交易欺诈、账户盗刷和洗钱。这三类风险在行为模式、资金流向和检测手段上存在显著差异，理解其本质是构建有效样本和特征的前提。
| 风险类型 | 核心定义 | 典型场景 | 关键检测指标 |
|---|---|---|---|
| 交易欺诈 | 用户本人或他人利用虚假身份、虚假交易意图骗取资金或商品 | 虚假注册、刷单、恶意退款、信用卡无卡欺诈 | 设备指纹异常、IP 聚集、收货地址频繁变更 |
| 账户盗刷 | 攻击者通过窃取账户凭证或利用漏洞，冒用他人身份发起交易 | 撞库登录、短信劫持、小额试探后大额转出 | 登录设备突变、交易地点跳跃、操作速度异常 |
| 洗钱 | 将非法所得通过支付系统转化为看似合法资金的过程 | 跑分平台、虚拟货币混币、多层转账拆分 | 交易金额接近阈值、资金闭环、多层中间账户 |
实战提示： 欺诈与盗刷往往在交易环节直接体现，样本标签相对明确（如用户投诉、拒付）；洗钱行为则更隐蔽，通常需要结合时序网络特征和外部黑名单才能有效标注。
1.2 风控体系架构
一套成熟的支付风控体系通常采用分层决策架构，从数据接入到最终处置形成闭环。下图展示了核心模块及其协作关系。
架构要点： 样本构建与特征工程位于数据接入层和决策引擎层之间，是承上启下的核心枢纽。特征质量直接决定模型上限，样本标注的准确性则影响策略的可靠性。
1.3 样本构建与特征工程的重要性
在支付风控实战中，样本构建和特征工程是决定模型效果的两大基石。许多团队投入大量精力调参、选模型，却忽略了最基础的数据质量，导致模型上线后效果远低于预期。
1.3.1 样本构建：风控模型的“燃料”
- 正负样本定义： 明确什么是“坏样本”（欺诈交易、盗刷交易、洗钱交易），什么是“好样本”（正常交易）。定义必须与业务风险口径对齐。
- 样本标注策略： 依赖用户投诉、拒付记录、风控审核结果、外部黑名单等多源信息进行标注，避免单一来源的偏差。
- 时间窗口对齐： 特征提取时间窗口必须早于样本标签时间，防止未来信息泄露（Data Leakage）。
- 样本平衡处理： 支付场景中坏样本比例通常低于 0.1%，需要采用过采样、欠采样或代价敏感学习等方法。
1.3.2 特征工程：风控模型的“引擎”
- 基础特征： 交易金额、时间、设备类型、IP 归属地、支付方式等直接字段。
- 统计特征： 用户历史交易频次、平均金额、失败率、设备关联账户数等聚合指标。
- 时序特征： 交易间隔、操作速度、夜间交易占比、近期行为突变检测。
- 关系网络特征： 设备-账户-IP 之间的关联图特征，如一度/二度关联风险节点数。
常见陷阱： 特征工程中容易引入“上帝视角”特征，例如使用未来数据计算当前统计量。务必在特征提取时严格按时间顺序划分训练集和测试集，避免特征穿越。
1.4 样本与特征在风控流程中的位置
下图以更直观的方式展示了样本构建与特征工程如何嵌入完整的风控数据流，以及它们与模型训练、在线决策的关系。