1. 风控评分概述
1.1 金融风控的定义
金融风控（Financial Risk Control）是指金融机构通过识别、度量、监测和控制各类风险，确保资产安全与业务稳健运行的全流程管理活动。在信贷场景中，风控的核心目标是在授信前准确评估借款人的违约概率，并在贷中、贷后持续监控风险变化。
核心风险类型：
- 信用风险 — 借款人未能按约偿还本息的可能性。
- 欺诈风险 — 通过伪造身份、资料或团伙作案骗取资金。
- 操作风险 — 因系统故障、流程缺陷或人为失误导致的损失。
- 市场风险 — 利率、汇率等市场因素波动引发的资产减值。
1.2 评分卡模型简介
评分卡（Scorecard）是金融风控中最经典的量化决策工具，它将借款人的多维特征映射为一个可比较的分数，并基于分数阈值做出审批、定价或额度决策。常见的评分卡类型包括：
| 评分卡类型 | 应用阶段 | 核心目标 | 常用算法 |
|---|---|---|---|
| 申请评分卡（A卡） | 贷前 | 预测新客户违约概率 | 逻辑回归、XGBoost |
| 行为评分卡（B卡） | 贷中 | 监控存量客户风险变化 | 逻辑回归、随机森林 |
| 催收评分卡（C卡） | 贷后 | 评估逾期客户回收可能性 | 决策树、GBDT |
评分卡模型的构建通常遵循以下流程：
- 数据采集与清洗 — 整合内部交易、外部征信、第三方数据源。
- 特征工程 — 变量分箱、WOE编码、IV值筛选。
- 模型训练 — 使用逻辑回归或树模型拟合违约标签。
- 分数映射 — 将模型输出概率转换为整数分数（如300~850分）。
- 阈值设定与验证 — 根据KS、AUC等指标确定审批通过线。
1.3 实时风控与传统风控的区别
传统风控以批处理和T+1数据为核心，而实时风控要求毫秒级响应与流式数据处理。两者在架构、时效、决策模式上存在本质差异：
| 对比维度 | 传统风控（批处理） | 实时风控（流处理） |
|---|---|---|
| 数据处理模式 | 离线批量（每日/每小时跑批） | 流式持续处理（毫秒级延迟） |
| 数据时效性 | T+1 或小时级 | 秒级/毫秒级 |
| 决策触发方式 | 定时任务或人工触发 | 事件驱动（交易/登录/申请） |
| 计算引擎 | Hive、Spark SQL、传统数据库 | Kafka Streams、Flink、Spark Streaming |
| 特征计算 | 全量历史聚合 | 滑动窗口 + 状态存储 |
| 典型场景 | 贷前申请评分、贷后批量监控 | 交易反欺诈、实时额度调整、异地登录检测 |
| 运维复杂度 | 较低（依赖离线调度） | 较高（需保证低延迟、高可用、Exactly-Once） |
关键认知：实时风控并非完全替代传统风控，而是形成“实时拦截 + 离线复核”的双层防御体系。高风险的交易由实时引擎直接拒绝，低风险或模棱两可的请求则进入离线评分卡做深度评估。
架构陷阱提醒：许多团队在初期将传统批处理逻辑直接“平移”到流处理引擎，导致状态膨胀、延迟飙升。实时风控需要重新设计窗口策略（如滑动窗口 vs 会话窗口）和状态后端（RocksDB vs 内存），不能简单复用离线代码。