2. 阈值在反欺诈中的作用：阈值定义、硬阈值与软阈值、阈值对风控决策的影响
2.1 阈值定义与核心概念
在反欺诈图谱风控体系中，阈值（Threshold） 是判定一个实体、关系或行为是否属于欺诈风险的临界数值。它本质上是将连续的风险评分或特征值转化为离散决策动作的“分水岭”。
阈值在反欺诈中的核心作用可归纳为三点：
- 决策分界：将模型输出的风险概率（0~1）或异常分数转化为“通过/拒绝/人工审核”等具体动作。
- 资源分配：控制进入人工审核或深度调查的案件数量，平衡风控强度与运营成本。
- 策略调优：通过调整阈值，在“识别更多欺诈”与“误伤正常用户”之间寻找最优平衡点。
实战提示： 阈值不是一成不变的静态参数。在图谱反欺诈中，同一阈值在不同时间段、不同地域、不同设备环境下的表现可能差异巨大，这正是“阈值漂移”需要被巡查的根本原因。
2.2 硬阈值与软阈值
根据决策逻辑的刚性程度，阈值可分为硬阈值和软阈值两种类型。下表对比了二者的核心差异：
| 对比维度 | 硬阈值（Hard Threshold） | 软阈值（Soft Threshold） |
|---|---|---|
| 决策逻辑 | 一刀切：分数 ≥ 阈值 → 拒绝；分数 < 阈值 → 通过 | 多级缓冲：分数落在不同区间 → 不同处置动作 |
| 边界处理 | 边界附近样本敏感，微小波动即改变决策 | 边界附近有过渡区，容忍一定波动 |
| 可解释性 | 高，规则简单明确 | 中等，需要定义多个区间和对应策略 |
| 抗漂移能力 | 弱，阈值漂移时误杀/漏报急剧增加 | 强，过渡区可吸收部分漂移影响 |
| 典型场景 | 黑名单匹配、设备指纹校验 | 风险评分分级、团伙关联强度判定 |
图谱场景举例： 在关联图谱中，若使用硬阈值判定“两个节点之间关联边数 ≥ 3 即为团伙”，则关联边数为 2 的节点对会被完全放过。而软阈值策略可设置为：边数 ≥ 5 → 直接拒绝；边数 3~4 → 人工审核；边数 1~2 → 标记观察。这种分级策略能更灵活地应对图谱结构的动态变化。
2.3 阈值对风控决策的影响
阈值的选择直接影响风控系统的准确率、召回率和业务通过率。下图展示了阈值调整对决策结果的影响机制：
2.4 阈值漂移的三种典型影响
当阈值发生漂移（即实际最优阈值偏离了初始设定值）时，风控决策将面临以下三类风险：
- 误杀率上升（Type I Error）：阈值偏左（过于严格），大量正常用户被误判为欺诈，导致业务流失和客诉激增。
- 漏报率上升（Type II Error）：阈值偏右（过于宽松），大量欺诈交易穿透风控，造成直接资金损失。
- 决策不一致性：同一用户在不同时间点因阈值波动得到截然不同的决策结果，破坏用户体验和风控公信力。
图谱场景特别警示： 在图谱反欺诈中，阈值漂移的影响会通过节点关联关系被放大。例如，一个团伙核心节点的阈值漂移可能导致整个关联子图的误判，形成“雪崩效应”。因此，图谱场景下的阈值巡查需要关注群体层面的影响，而非仅看单点决策。
2.5 阈值设定与调优原则
在实际反欺诈工程中，阈值设定通常遵循以下步骤：
| 步骤 | 操作内容 | 输出物 |
|---|---|---|
| 1. 数据准备 | 收集历史样本，标注欺诈/正常标签 | 标注数据集 |
| 2. 模型评分 | 用当前模型对样本进行风险评分 | 评分分布表 |
| 3. 性能评估 | 计算不同阈值下的 TPR、FPR、Precision、Recall | ROC 曲线 / PR 曲线 |
| 4. 业务对齐 | 根据业务容忍度（如通过率上限、坏账率上限）选择阈值 | 初始阈值设定 |
| 5. 上线监控 | 部署后持续监控关键指标，发现漂移及时调整 | 阈值漂移预警 |
关键指标速查：
• TPR（召回率） = 正确识别的欺诈数 / 实际欺诈总数
• FPR（误杀率） = 被误判为欺诈的正常数 / 实际正常总数
• Precision（精确率） = 正确识别的欺诈数 / 所有被判定为欺诈的数
• F1-Score = 2 × (Precision × Recall) / (Precision + Recall)
• TPR（召回率） = 正确识别的欺诈数 / 实际欺诈总数
• FPR（误杀率） = 被误判为欺诈的正常数 / 实际正常总数
• Precision（精确率） = 正确识别的欺诈数 / 所有被判定为欺诈的数
• F1-Score = 2 × (Precision × Recall) / (Precision + Recall)