2. 风控规则体系基础：规则的定义、规则引擎架构、常见规则类型
2.1 规则的定义与核心要素
在风控系统中，规则是一个可执行的逻辑判断单元，它将业务经验、统计规律或监管要求转化为计算机可理解的“条件-动作”对。一条完整的风控规则通常包含以下四个核心要素：
| 要素 | 说明 | 示例 |
|---|---|---|
| 条件（Condition） | 对输入变量（特征）进行逻辑比较或运算 | age < 22 |
| 动作（Action） | 条件满足时触发的决策结果 | 拒绝（Reject） |
| 优先级（Priority） | 规则在规则集中的执行顺序 | P1 > P2 > P3 |
| 元数据（Metadata） | 规则的版本、生效时间、所属策略集等 | version=2.1, effective=2025-01-01 |
实践要点：规则的条件部分应尽量使用可解释的、稳定的特征（如年龄、收入区间），避免使用模型分数作为单一条件，以保持规则体系的透明度和可审计性。
2.2 规则引擎架构
规则引擎是风控系统的“大脑”，负责加载、解析、执行规则并返回决策结果。一个生产级的规则引擎通常采用分层架构，将规则定义、执行、监控分离。下图展示了典型的规则引擎核心架构：
架构关键点：
- 规则仓库与执行引擎分离：支持热加载规则，无需重启服务即可生效。
- 优先级排序与短路机制：高优先级规则命中后，可跳过后续低优先级规则，提升执行效率。
- 决策缓存：对黑名单、设备指纹等高频规则使用缓存，降低响应时间。
2.3 常见规则类型
风控规则体系按业务阶段和目的，通常分为三大类：准入规则、反欺诈规则和授信规则。每类规则关注的风险点和特征维度不同，下面通过表格和图示进行对比。
| 规则类型 | 核心目标 | 典型特征 | 决策动作 |
|---|---|---|---|
| 准入规则 | 过滤不符合基本资质的用户 | 年龄、身份认证、地域、手机号实名 | 通过 / 拒绝 |
| 反欺诈规则 | 识别团伙欺诈、设备冒用、资料造假 | 设备指纹、IP 关联、多头借贷、行为序列 | 拒绝 / 人工审核 |
| 授信规则 | 决定额度、利率、期限 | 收入、负债比、征信评分、历史还款 | 额度计算 / 利率调整 |
下图展示了三类规则在风控流程中的执行顺序与交互关系：
2.4 规则类型详解
2.4.1 准入规则
准入规则是风控体系的第一道防线，用于快速排除明显不符合资质的用户。这类规则通常使用静态特征，计算成本低，响应速度快。
- 年龄限制：如
age < 18 或 age > 65 → 拒绝 - 身份认证：如
id_verified == false → 拒绝 - 地域限制：如
province in ['西藏', '新疆'] → 拒绝 - 手机号实名：如
phone_realname_months < 6 → 拒绝
2.4.2 反欺诈规则
反欺诈规则针对团伙欺诈、设备冒用、资料造假等恶意行为。这类规则通常依赖设备指纹、网络环境、行为序列等动态特征，并常与图计算、知识图谱结合。
- 设备关联：如
device_count_last_7d > 5 → 人工审核 - IP 聚集：如
ip_apply_count_last_1h > 10 → 拒绝 - 多头借贷：如
active_loan_platforms > 5 → 拒绝 - 行为序列异常：如
fill_time_seconds < 30 → 人工审核
2.4.3 授信规则
授信规则在用户通过准入和反欺诈后执行，决定具体的授信额度、利率和期限。这类规则通常结合评分卡模型或决策树，输出连续或分档结果。
- 收入倍数法：如
credit_limit = min(income * 3, max_limit) - 负债比限制：如
dti_ratio > 0.5 → 降低额度 30% - 征信评分分档：如
credit_score > 700 → 利率 8%；credit_score 600-700 → 利率 12% - 历史还款表现：如
overdue_days_last_loan > 30 → 拒绝授信
注意：授信规则应避免单一特征决定额度，建议采用“基础额度 + 调整因子”的复合计算方式，以平衡风险与收益。同时，授信规则需要定期根据贷后表现进行回测和校准。
2.5 规则冲突的初步认识
在规则体系中，规则冲突是指多条规则对同一用户同时产生不同或矛盾的决策动作。例如，一条准入规则判定“通过”，而另一条反欺诈规则判定“拒绝”。冲突的根源通常包括：
- 优先级定义不清晰：未明确规则之间的覆盖关系。
- 特征重叠：不同规则使用相同特征但阈值不同。
- 业务逻辑矛盾：如“新用户首单优惠”与“高风险用户拒绝”同时触发。