一、金融关系网络概述
大家好，我是你们这堂课的主讲人。咱们直接进入正题——金融关系网络。
说白了，金融世界本质上就是一张巨大的关系网。你借钱给我，我投资给他，他再给公司发工资……这些资金流动的背后，全是人与人、人与机构之间的连接。我做了这么多年风控，越来越觉得：只看单个用户的数据，就像盲人摸象；把关系链拉出来，才能看清全貌。
1.1 什么是金融关系网络
金融关系网络，就是用图结构来描述金融实体之间的交互关系。
举个例子。你申请贷款，银行不光看你的收入流水，还会看：
- 你的通讯录里有没有逾期黑名单的人？
- 你转账的对象是不是高风险账户？
- 你的担保人跟其他借款人有没有关联？
这些「谁和谁有关系」的信息，天然就是一张网络。我习惯把它抽象成三个核心要素：节点、边、权重。
核心定义：金融关系网络 = (V, E, W)，其中 V 是节点集合，E 是边集合，W 是边上的权重函数。
1.2 金融网络的核心要素
节点（Node）
节点就是网络中的「谁」。在金融场景里，节点可以是：
- 个人用户——借款人、担保人、收款人
- 企业实体——公司、子公司、关联企业
- 账户/设备——银行卡、手机号、IP地址、设备指纹
我记得有一次做团伙欺诈排查，发现十几个借款人都绑定了同一个手机号。嗯，那个手机号就是关键节点——它把一群看似无关的人串起来了。
边（Edge）
边代表节点之间的关系。常见的边类型有：
| 关系类型 | 示例 | 说明 |
|---|---|---|
| 资金往来 | A转账给B | 有向边，金额为权重 |
| 担保关系 | A为B担保 | 有向边，担保额度为权重 |
| 通讯关系 | A与B通话 | 无向边，通话次数为权重 |
| 设备共用 | A和B登录同一设备 | 无向边，共用时长为权重 |
权重（Weight）
权重就是这条边的「强度」。你想想看，A给B转了100块，和A给B转了100万，这两条边的意义完全不同。权重可以是：
- 交易金额
- 交互频次
- 时间衰减因子（越近的交互权重越高）
- 风险评分（比如对方是黑名单，边权重就调高）
我的经验：权重设计是特征工程里最容易被忽视的一环。我曾经只用了交易次数作为权重，结果漏掉了一个大额异常转账的团伙。后来改成「金额×频次×时间衰减」的组合权重，召回率直接提升了15%。
1.3 金融网络的应用场景
反欺诈
这是金融关系网络最经典的应用。欺诈团伙往往有这些特征：
- 共享设备、IP、手机号
- 资金在团伙内部循环
- 担保关系形成闭环
我参与过一个项目，用图算法检测「二度关联风险」——只要你的好友的好友是黑名单，你的风险等级就自动上调。效果立竿见影。
信用评估
传统信用评估只看个人，但关系网络能提供额外信息：
- 社交影响力——你的联系人里有没有高信用的人？
- 群体稳定性——你的关系网变动频繁吗？
- 资金流向——你的钱最终流向了高风险领域吗？
说白了，一个人的信用，往往藏在他身边人的行为里。我见过一个案例：申请人本身征信很好，但他的主要转账对象全是逾期用户。后来一查，他是帮人「养卡」的——这种风险，只看个人数据根本发现不了。
社群发现
社群发现就是把网络里「抱团」的群体找出来。常见的算法有：
- Louvain——基于模块度优化，速度快
- 标签传播（LPA）——简单高效，适合大规模图
- 连通分量——最基础的社群划分
社群发现有什么用？举个例子：
- 发现欺诈团伙（一个社群全是高风险用户）
- 识别资金空转（社群内部资金循环，不流向实体经济）
- 挖掘潜在优质客户（社群中心人物信用好，可以批量营销）
注意：社群发现的结果不能直接拿来用。我曾经跑出一个很大的社群，看起来像团伙，结果发现是同一家公司的员工互相担保——这是正常业务关系。所以，算法输出一定要结合业务规则做二次过滤。
1.4 本章知识体系总览
下面这张图，是我自己梳理的本章核心逻辑。你可以把它当作一个「地图」，后面每讲一个技术点，都能在这张图上找到位置。
这张图其实就讲了三件事：有什么（要素）、干什么（场景）、怎么干（特征工程）。后面的章节，我们会一步步把「怎么干」拆开揉碎。
1.5 小结
这一章我们聊了：
- 金融关系网络就是用图来描述金融实体间的交互
- 三个核心要素：节点、边、权重——缺一不可
- 三大应用场景：反欺诈、信用评估、社群发现
我个人觉得，理解网络思维是做好金融风控的第一步。很多问题，换个角度——从「看个体」变成「看关系」——答案就清晰了。
下一章，我们会正式进入特征工程实战，从最基础的节点中心性特征开始讲起。到时候我会带上具体的代码和案例，咱们手把手来搞。
公众号:蓝海资料掘金营，微信deep3321