2. 保险风控基础：赔付率定义、传统风控模型的局限性

在保险业务中，赔付率是衡量承保利润的核心指标，也是风控系统最终要优化的目标。理解赔付率的构成，以及传统风控模型（规则引擎、线性回归）为何在实时场景下失效，是掌握 XGBoost 实时预测与拦截的前提。

2.1 赔付率定义与业务意义

赔付率（Loss Ratio）通常指 已发生赔款成本 与 已赚保费 的比值。在实时风控场景中，我们更关注 预期赔付率，即在承保决策时刻，对某一保单未来赔付风险的预估。

2.2 传统风控模型：规则引擎

规则引擎是保险行业最经典的风控手段，通过预定义的“if-then”逻辑对保单进行筛选。例如：

规则示例：
IF 年龄 < 25 AND 驾龄 < 1 THEN 标记为高风险
IF 历史出险次数 >= 3 THEN 直接拒保
IF 投保保额 > 100万 AND 车辆价值 < 10万 THEN 转入人工审核

规则引擎的局限性非常明显，主要体现在以下四个方面：

• 维度稀疏，无法捕捉复杂交互： 规则通常只考虑 2~3 个变量的组合，无法处理“年龄×驾龄×车型×违章次数”等高维非线性关系。
• 阈值硬切分，缺乏弹性： 规则使用固定阈值（如年龄 < 25），导致临界值附近的保单被生硬分类，误判率高。
• 维护成本高，迭代慢： 每增加一条规则都需要业务专家评审、测试、上线，无法应对黑产团伙的快速变种攻击。
• 无概率输出，无法排序： 规则引擎只输出“通过/拦截”的离散结果，无法给出风险概率，难以进行精细化定价或排序。

2.3 传统风控模型：线性回归

线性回归（Linear Regression）是早期尝试用统计模型替代规则引擎的方案。其基本形式为：

赔付率 = β₀ + β₁×年龄 + β₂×驾龄 + β₃×历史出险次数 + ... + ε

虽然线性回归比规则引擎更灵活，但在保险风控场景中仍存在严重缺陷：

2.4 传统模型局限性对比总览

下面这张 SVG 图直观对比了规则引擎、线性回归与 XGBoost 在赔付率预测任务上的核心差异：

2.5 为什么传统模型在实时场景中“失灵”？

除了模型本身的算法缺陷，传统风控模型在 实时预测与拦截 的工程场景中还面临以下挑战：

1. 特征延迟高： 规则引擎和线性回归依赖人工清洗后的离线特征，无法接入实时埋点数据（如当前浏览行为、设备指纹），导致预测滞后。
2. 无法处理缺失值： 实时数据流中常有字段缺失（如用户未填写驾龄），线性回归需要插补，规则引擎直接报错，而 XGBoost 可以自动学习缺失值分裂方向。
3. 模型更新成本高： 线性回归每次更新都需要全量数据重新拟合，规则引擎需要人工调整，无法做到“小时级”或“分钟级”模型迭代。
4. 缺乏可解释性与业务信任： 虽然线性回归系数有一定可解释性，但在高维交互场景下，业务人员难以理解为什么某个保单被拦截，导致风控策略落地困难。