评分沙盘实战：支付风控样本构建技巧 - 第1节

1.1 支付行业风险类型全景

支付风控的核心目标是识别、评估并缓释交易链路中的各类风险。根据风险来源与行为特征，支付风险可划分为以下四大类：

1.2 风控体系架构：从数据到决策

一套成熟的支付风控体系通常采用分层架构，自上而下分为五个核心层级：

1. 数据接入层：实时/离线采集交易、设备、行为、外部征信等数据。
2. 特征工程层：衍生变量计算，如频次、金额聚合、设备指纹、关系图谱。
3. 决策引擎层：规则引擎 + 评分卡模型 + 机器学习模型并行或串行决策。
4. 策略管理层：阈值调优、冠军/挑战者实验、人工审核队列。
5. 监控反馈层：报表看板、延迟标注、样本回流、模型迭代。

1.3 样本构建在风控中的核心地位

评分卡模型的效果上限由样本质量决定。在支付风控领域，样本构建并非简单的“取正负样本”，而是一套包含标签定义、样本窗口、采样策略、样本平衡、时间穿越校验的系统工程。

1.3.1 样本构建的三大核心挑战

• 标签稀疏性：真实欺诈率通常低于0.1%，坏样本极度稀缺，直接建模会导致模型偏向全“好”。
• 时间穿越风险：用未来的信息预测过去，导致模型在线上失效。例如用“交易后30天的拒付标签”训练模型，但特征只取交易前数据。
• 样本偏移：黑产策略快速演变，训练集分布与线上实时分布不一致，模型衰减快。

1.3.2 样本构建在模型生命周期中的位置

下图展示了从原始数据到上线部署的完整链路，样本构建处于特征工程与模型训练之间的关键枢纽位置：

1.3.3 样本构建对业务指标的量化影响