交易对手风险识别：对手方信用评估、交易行为分析与黑名单机制

做抢单交易这些年，我踩过最大的坑，就是对手方风险。

你想想看，你的系统再快、算法再精，如果对手方是个老赖，或者是个专门来捣乱的机器人，那一切白搭。我个人习惯，在搭建风控体系时，第一件事不是优化延迟，而是先把对手方看清楚。

说白了，交易对手风险识别，就是回答三个问题：这人靠谱吗？这人正常吗？这人该拉黑吗？

一、对手方信用评估

信用评估，听起来很金融，其实在抢单场景里，就是给每个对手方打分。

我在项目中遇到过一家做电商抢单的平台，他们一开始只关注价格，结果被几个信用差的账户反复薅羊毛。后来我们上了信用分体系，情况才好转。

1. 信用评分模型

我建议用多维度加权的方式。别搞太复杂，简单有效才是王道。

维度	权重	说明
历史履约率	40%	过去30天成功完成交易的比例
账户年龄	15%	注册天数，新账户天然低分
资金沉淀	25%	账户余额或保证金金额
关联风险	20%	是否与黑名单账户有关联

嗯，这里要注意：权重不是死的。我习惯每季度根据回测结果调整一次。

2. 动态信用阈值

不同交易类型，信用门槛应该不一样。

比如，高价值订单，信用分低于80分直接拒绝。低价值订单，60分以上就可以参与。我曾经因为没区分这个，导致大量优质小客户流失，教训深刻。

二、对手方交易行为分析

信用分只能反映历史，行为分析才能发现当下问题。

你想想看，一个平时很正常的账户，突然在1秒内发起100次抢单请求，这正常吗？肯定不正常。

1. 行为特征提取

我常用的特征包括：

• 请求频率：每秒请求数、每分钟请求数
• 操作模式：点击间隔、鼠标轨迹（如果是Web端）
• 时间分布：活跃时段、凌晨操作比例
• 成功率：抢单成功率、取消率、投诉率

举个例子，正常用户抢单成功率一般在5%-20%之间。如果一个账户成功率超过80%，那大概率是用了自动化脚本。我在项目中遇到过这种，一查一个准。

2. 异常检测算法

别一上来就上深度学习。我建议先用简单的统计方法。

# 简单的Z-Score异常检测
import numpy as np

def detect_anomaly(request_count, history):
    mean = np.mean(history)
    std = np.std(history)
    z_score = (request_count - mean) / std
    
    if z_score > 3:
        return True  # 异常
    return False

这个代码我用了好几年，简单可靠。当然，如果数据量大，可以上孤立森林或LOF算法。但记住，可解释性在风控里很重要。你总不能跟老板说「AI说他有问题」吧？

三、对手方黑名单机制

黑名单，是风控的最后一道防线。

但黑名单不是简单的「拉黑完事」。我见过太多系统，黑名单越积越长，最后连正常交易都受影响。

1. 黑名单分级

我习惯把黑名单分成三级：

级别	定义	处理方式
灰名单	可疑但证据不足	降低信用分，增加验证
黑名单	确认恶意行为	禁止交易，冻结账户
永久黑名单	严重违规或多次违规	永久封禁，上报监管

嗯，这里要注意：灰名单是有时效的。我一般设7天观察期，过了就自动解除。不然灰名单也会变成「死名单」。

2. 黑名单共享与更新

单打独斗没意思。我建议接入行业黑名单共享机制。

比如，某个账户在A平台被拉黑了，B平台应该能收到预警。当然，这涉及隐私问题，需要脱敏处理。我参与过一个联盟，只交换「账户ID哈希值」和「风险标签」，效果不错。

3. 自动化处理流程

人工审核太慢了。抢单场景下，每一秒都是钱。

我设计的流程是这样的：

1. 行为分析模块触发异常
2. 自动查询信用分和黑名单
3. 如果命中黑名单，直接拒绝交易
4. 如果命中灰名单，触发二次验证（如短信验证码）
5. 如果信用分低于阈值，降低交易额度
6. 所有决策记录日志，供后续审计

这个流程，从触发到执行，我要求控制在50毫秒以内。你想想看，如果风控比交易还慢，那还有什么意义？

知识体系总览

下面这张图，是我梳理的对手方风险识别核心逻辑。你看一眼就能明白整个体系怎么串起来的。

你看，整个体系其实不复杂。信用评估看历史，行为分析看当下，黑名单机制兜底。三个模块并行跑，最后综合决策。

我个人觉得，做好对手方风险识别，关键不是技术多牛，而是逻辑闭环。每个环节都要有输入、有判断、有输出，还要有反馈闭环。

嗯，今天就聊到这儿。这套体系我用了好几年，帮公司挡掉了至少90%的恶意交易。你如果正在搭建风控系统，不妨从这三个维度入手，先跑起来，再慢慢优化。

公众号:蓝海资料掘金营，微信deep3321