1. 风控体系概述：金融风控发展史、实时风控的必要性、课程整体架构与学习目标
1.1 金融风控发展史：从人工到智能的四个阶段
金融风险控制并非新兴概念，其演进历程与金融业态的数字化进程紧密相关。理解这段历史，有助于我们看清当前实时风控所处的技术拐点。
| 阶段 | 时间跨度 | 核心特征 | 典型技术/手段 | 主要局限 |
|---|---|---|---|---|
| 1.0 人工风控 | 2000 年前 | 信审员人工审核、专家经验规则 | 纸质申请表、电话核实、央行征信 | 效率极低、主观性强、无法规模化 |
| 2.0 规则引擎风控 | 2000–2010 | 决策树、评分卡、离线批量计算 | FICO 评分、Drools、SQL 批处理 | 规则维护成本高、无法应对实时欺诈 |
| 3.0 大数据风控 | 2010–2018 | 机器学习模型、实时变量计算 | Spark、Hive、XGBoost、流计算 | 架构复杂、数据延迟仍在秒级 |
| 4.0 实时智能风控 | 2018 至今 | 毫秒级决策、事件驱动、流式评分 | Kafka、Flink、实时特征平台 | 架构设计难度高、状态一致性挑战 |
关键认知： 风控的核心矛盾始终是 “决策时效性” 与 “风险识别准确率” 之间的平衡。实时风控并非要取代模型精度，而是在毫秒级窗口内逼近离线模型的识别能力。
1.2 实时风控的必要性：为什么必须从“事后”转向“事中”
金融欺诈的攻击手段已从“低频大额”演变为“高频小额、团伙作案、设备模拟”。传统 T+1 批处理模式在以下场景中完全失效：
- 账户盗用（ATO）： 攻击者在 1 秒内发起多笔小额转账，批处理发现时资金已离场。
- 垃圾注册与刷单： 批量机器人在 10 分钟内完成千次注册，离线规则无法实时拦截。
- 信贷申请欺诈： 伪造资料在提交瞬间即需判定，等待 5 秒以上即造成用户流失。
实时风控的核心价值体现在三个维度：
| 维度 | 传统离线风控 | 实时风控 | 业务收益 |
|---|---|---|---|
| 决策延迟 | 分钟级 ~ T+1 | 毫秒级（< 200ms） | 拦截资金流出、提升用户体验 |
| 变量时效性 | 使用昨日快照 | 使用当前会话窗口 | 捕捉瞬时行为异常 |
| 模型迭代 | 周/月级更新 | 小时级/在线学习 | 快速对抗新型欺诈模式 |
架构警示： 实时风控不是简单地将离线代码“搬”到流处理引擎上。它要求重新设计数据管道、状态管理、特征计算和模型部署方式。本课程的核心就是解决这些“搬不动”的架构难题。
1.3 课程整体架构：从 Kafka 基石到实时评分沙盘
本课程围绕 “Kafka 事件总线 + 实时特征计算 + 评分模型部署” 三条主线展开，最终交付一个可运行的实时评分沙盘项目。
1.4 学习目标与前置要求
完成本章及后续课程后，你将具备以下能力：
- 架构设计能力： 独立设计基于 Kafka 的实时风控数据管道，理解 Topic 分区策略与消息可靠性保证。
- 实时计算能力： 使用 Flink 或 Kafka Streams 实现滑动窗口特征计算，处理乱序数据与状态管理。
- 模型部署能力： 将训练好的评分模型（XGBoost / LR）部署到实时推理服务中，实现毫秒级评分。
- 沙盘实战能力： 搭建完整的实时评分沙盘，模拟从数据产生到风险决策的全链路流程。
前置知识建议： 熟悉 Java 或 Python 基础语法、了解基本 SQL 操作、对 Kafka 有基础认知（如 Topic、Producer、Consumer 概念）。无需流计算或风控经验，课程会从原理讲起。
1.5 本章小结与沙盘预览
本章我们梳理了金融风控从人工到实时的演进脉络，明确了实时风控在对抗高频欺诈中的不可替代性，并展示了课程的整体架构。从下一章开始，我们将深入 Kafka 内核，亲手搭建实时风控的第一块基石——高吞吐、低延迟的事件总线。
沙盘预告： 课程最终项目将模拟一个信贷申请实时评分场景。你将使用 Kafka 接收申请事件，Flink 计算 30 秒滑动窗口内的申请频次与金额聚合特征，加载预训练的 XGBoost 模型进行实时评分，并输出“通过/拒绝/人工审核”决策。所有代码均会逐行讲解。