📚 课程目录第1章支付风控概述

1. 支付风控概述：风险类型、体系架构与特征工程核心地位

支付业务在资金流转的每个环节都面临多维风险。根据风险来源与行为特征，可归纳为以下四大类：

  关键认知： 欺诈风险是支付风控的“第一战场”，日均拦截率直接影响平台资金安全与用户信任。特征工程是区分正常用户与黑产的核心武器。

成熟的支付风控体系采用“分层防御”架构，从数据接入到决策输出形成完整闭环。下图展示了典型的风控系统核心层次：

架构要点： 特征工程层处于数据与模型之间，是风控系统的“翻译官”——将原始数据转化为模型可理解的数值化表达。特征质量直接决定策略上限。

在支付风控场景中，特征工程并非简单的数据预处理，而是决定风控效果的关键环节。其核心价值体现在以下三个维度：

信息密度提升： 原始交易数据通常稀疏且噪声大，特征工程通过聚合、变换、交叉等手段，将低维原始数据映射到高维可区分空间。例如，将“单笔交易金额”扩展为“用户近1小时交易金额均值/标准差/最大值的比率”，大幅提升对异常交易的敏感度。
模型效果天花板： 业界共识“数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限”。在支付风控中，一个精心设计的特征集往往比复杂的模型结构带来更显著的AUC提升。
可解释性与业务对齐： 风控决策需要向监管、商户、用户做出解释。基于业务逻辑构建的特征（如“设备更换频率”、“IP与收货地址距离”）天然具备可解释性，便于策略调优与合规审计。

常见误区： 不要盲目堆砌特征。高维稀疏特征会导致过拟合与计算成本飙升。特征工程的核心是“少而精”——每个特征都应承载明确的业务含义与区分能力。

本课程的核心主题“策略分群”正是建立在特征工程基础之上。通过特征工程，我们可以将用户、商户、交易划分为不同风险画像的群体，从而实施差异化策略：