1. 课程导论：实时交易风控的重要性、A/B测试在风控领域的价值、课程整体架构与学习目标
1.1 实时交易风控：金融系统的“免疫系统”
在数字支付与开放银行时代，交易请求以毫秒级速度涌入。一笔交易从发起到完成，风控系统必须在几十毫秒内完成特征计算、模型推理与决策输出。实时交易风控不再是可选项，而是金融系统的核心生存能力。
关键数据： 根据行业报告，2024年全球实时支付欺诈损失预计超过100亿美元。风控响应延迟每增加100ms，欺诈拦截率下降约3-5个百分点。
实时交易风控面临三大核心挑战：
- 低延迟约束： 端到端决策时间通常要求 < 100ms，模型推理需在 < 10ms 内完成。
- 高并发压力： 峰值TPS（每秒交易数）可达数万甚至数十万，模型需支持水平扩展。
- 概念漂移： 欺诈模式快速演化，模型需频繁迭代，但每次上线新模型都伴随风险。
1.2 A/B测试在风控领域的独特价值
传统风控模型上线采用“全量切换”模式：新模型直接替换旧模型，一旦出现负向效果，损失不可逆。A/B测试为风控模型迭代提供了科学验证框架，其核心价值体现在：
| 维度 | 传统全量上线 | A/B测试驱动上线 |
|---|---|---|
| 风险暴露 | 全量用户暴露于新模型风险 | 仅小部分流量（如5%）承载风险 |
| 效果验证 | 依赖上线后全局指标对比 | 统计显著性检验，排除外部干扰 |
| 回滚成本 | 高，需紧急全量回退 | 低，停止实验流量即可 |
| 迭代速度 | 慢，每次上线需层层审批 | 快，小流量验证后可快速全量 |
| 多模型对比 | 不支持并行对比 | 支持多臂实验（MAB） |
实践要点： 风控A/B测试与产品A/B测试有本质区别——风控实验的负向指标（如误杀率）与正向指标（如拦截率）需要同时监控，且实验组与对照组之间可能存在“污染效应”（欺诈分子可能同时触达两组）。
1.3 实时风控A/B测试的核心架构
下图展示了实时交易风控A/B测试的整体技术架构，涵盖流量路由、模型双跑、实时决策与离线评估四个关键环节。
1.4 课程整体架构
本课程共30章，分为四大模块，从基础理论到生产落地，覆盖实时风控A/B测试的全生命周期。
| 模块 | 章节范围 | 核心内容 |
|---|---|---|
| 基础篇 | 第1-6章 | 风控A/B测试理论、统计基础、指标设计、流量分层 |
| 工程篇 | 第7-15章 | 实时特征工程、模型双跑架构、延迟优化、数据管道 |
| 实验篇 | 第16-24章 | 实验设计、样本量计算、多臂实验、干扰控制、结果解读 |
| 实战篇 | 第25-30章 | 生产部署、监控告警、回滚策略、案例复盘、最佳实践 |
1.5 学习目标与前置要求
完成本课程后，你将具备以下能力：
- 设计能力： 独立设计实时风控模型的A/B实验方案，包括流量分配、指标选取与样本量计算。
- 工程能力： 搭建支持毫秒级决策的模型双跑架构，实现实验流量路由与实时特征对齐。
- 分析能力： 正确解读实验报告，识别统计陷阱（如多重比较、辛普森悖论），做出科学决策。
- 落地能力： 将实验通过的生产模型安全上线，并建立持续监控与自动回滚机制。
前置要求： 建议学习者具备基础的机器学习知识（分类模型、评估指标）和Python编程能力。了解基本的统计概念（假设检验、置信区间）会更有帮助，但非必须——课程第2章会系统回顾相关统计基础。