📚 课程目录第2章风控基础回顾

2、风控基础回顾：传统风控模型（规则引擎、评分卡）的局限性、引入图计算的必要性

在深入知识图谱回放对比技术之前，有必要先厘清传统风控模型的核心机制及其固有瓶颈。规则引擎与评分卡是过去二十年最主流的风险决策工具，但在面对复杂欺诈团伙、关联交易和动态博弈时，其结构性缺陷日益凸显。

2.1 规则引擎：简单高效，但“道高一尺，魔高一丈”

规则引擎基于“if-then”逻辑，将专家经验转化为可执行的决策规则。例如：

规则示例：
IF 同一设备关联账户数 > 5
AND 注册时间 < 24小时
THEN 风险等级 = 高风险，触发人工审核

规则引擎的优势在于解释性强、部署快，但其局限性同样明显：

局限性维度	具体表现	业务影响
规则静态性	规则一旦固化，只能识别已知模式；欺诈分子通过简单变换（如更换设备指纹、IP代理）即可绕过	规则衰减速度快，需频繁人工维护
特征孤岛	每条规则仅关注单点或少量特征，无法感知账户之间的关联网络	漏报团伙欺诈、养号行为
规则爆炸	业务复杂后规则数量可达数千条，规则冲突、冗余难以管理	决策延迟增加，误杀率上升
对抗脆弱性	欺诈分子可通过“规则探测”反向推断规则阈值，针对性调整攻击策略	风控体系陷入被动响应循环

实战教训：某头部消费金融平台曾依赖3000+条规则引擎，在“714高炮”团伙攻击中，欺诈分子仅通过批量更换设备指纹和分散注册时间，就将规则命中率从78%降至12%，直接造成数亿元坏账。

2.2 评分卡模型：量化风险，但“只见树木，不见森林”

评分卡（Scorecard）通过逻辑回归等算法，将多个特征加权求和得到风险分数。其数学形式为：

Score = β₀ + β₁·X₁ + β₂·X₂ + ... + βₙ·Xₙ

评分卡相比规则引擎有了统计建模的进步，但其核心假设——特征独立性——在风控场景中往往不成立。

局限性维度	具体表现	业务影响
特征独立性假设	逻辑回归要求特征间无强共线性，但风控特征（如设备指纹、IP、联系人）天然存在复杂关联	模型估计有偏，权重失真
无图结构感知	评分卡只能处理“个体属性”，无法建模“个体间关系”	无法识别“二度关联风险”、“团伙聚集性”
时间衰减刚性	评分卡通常按月或季度重新训练，无法捕捉日内或实时的关系变化	对“快进快出”型欺诈反应滞后
可解释性瓶颈	虽然评分卡本身可解释，但当特征数量超过50个时，业务方难以理解分数背后的逻辑链	模型迭代时业务信任度下降

  关键洞察：传统评分卡将每个用户视为“孤岛”，而欺诈行为本质上是网络行为——一个欺诈节点通过关系链可以污染整个子图。这正是图计算必须引入的根本原因。

2.3 引入图计算的必要性：从“个体视角”到“网络视角”

下图直观对比了传统模型与图计算在风控视角上的本质差异：

2.4 图计算带来的三大核心能力

关系穿透：从“单点特征”扩展到“多跳关系特征”。例如，不仅看用户A的设备指纹，还看用户A的设备指纹关联了哪些其他用户，这些用户又关联了哪些IP——形成完整的风险传导链。
团伙识别：通过社区发现算法（如Louvain、Label Propagation），自动聚合密集连接的子图，识别“养号团伙”、“刷单团伙”等隐蔽组织。
动态演化追踪：图计算可以建模关系随时间的变化（边的新增、删除、权重衰减），捕捉欺诈团伙的“迁徙”和“裂变”行为。

行业共识：Gartner在2023年《金融风控技术趋势》报告中明确指出：“到2025年，超过60%的大型金融机构将在核心风控流程中嵌入图计算技术，以应对日益复杂的关联欺诈和合成身份攻击。” 传统模型与图计算的融合，不是替代关系，而是互补增强——规则引擎处理确定性规则，评分卡处理个体风险，图计算处理网络风险。

2.5 传统模型与图计算的适用边界对比

能力维度	规则引擎	评分卡	图计算
个体风险识别	⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐
团伙欺诈识别	⭐	⭐	⭐⭐⭐⭐⭐
实时性	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐
可解释性	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐
对抗鲁棒性	⭐	⭐⭐	⭐⭐⭐⭐
关系建模深度	⭐	⭐	⭐⭐⭐⭐⭐

从对比中可以看出，图计算在团伙识别和关系建模维度具有压倒性优势，这正是知识图谱回放对比技术能够落地的底层逻辑——通过图结构存储和回放用户、设备、IP、账户之间的历史关联，再通过对比算法发现异常演化模式，从而在欺诈行为尚未造成实质损失前发出预警。