一、风控概述：从一次真实损失说起

先讲个我亲身经历的事。几年前我负责一个支付平台的风控系统，上线第三天，凌晨三点被电话吵醒——系统检测到异常交易激增。我打开后台一看，好家伙，同一个IP在5分钟内发起了2000多笔小额支付，每笔都是9.9元。等我们手动拦截时，已经损失了将近8万块。

这就是典型的薅羊毛攻击。那晚之后我就在想：如果系统能提前0.5秒识别出这种模式，这8万块是不是就能保住？

嗯，这就是我们今天要聊的——金融风控。

什么是金融风控

说白了，金融风控就是识别和阻止那些不该发生的交易。它像一道数字安检门，每笔交易进来，系统都要快速判断：这人是不是在搞鬼？

我习惯把风控分成三个层次：

• 规则层：比如“单笔超过5万需二次验证”，这是最基础的
• 模型层：用机器学习判断交易异常概率，比如随机森林、XGBoost
• 策略层：把规则和模型组合起来，形成完整的决策逻辑

你想想看，如果没有风控，银行账户里的钱岂不是随便被人转走？

为什么需要风控

这个问题我问过不少刚入行的朋友。答案五花八门，但核心就三点：

1. 钱的问题：直接经济损失。我见过一个电商平台，黑产团伙一天刷走了300万
2. 合规问题：监管要求。比如反洗钱（AML）法规，不达标可能被吊销牌照
3. 信任问题：用户觉得不安全，就会流失。这个损失比直接经济损失更大

风控的核心目标与挑战

核心目标其实就一句话：在正确的时间，阻止错误的交易。但说起来容易做起来难。

我总结过三大挑战：

挑战	具体表现	我的踩坑经历
实时性	交易必须在毫秒级完成判断	曾经有个系统延迟200ms，用户投诉“卡顿”，流失率涨了15%
准确性	误杀率（把正常交易当异常）和漏杀率（放过异常交易）的平衡	有一次把大促的正常订单误判为刷单，导致GMV暴跌
对抗性	黑产也在不断进化，规则很快失效	我见过黑产用AI生成虚假交易特征，模型三天就废了

风控系统的整体架构

一个成熟的风控系统长什么样？我画了张图，你看一眼就明白了：

这张图我画了好几个版本才定稿。你看，数据从底层进来，经过决策引擎判断，输出结果，最后反馈回来优化策略——这是个闭环。

每个模块我简单说两句：

• 数据接入层：收集所有能收集的信息。我习惯把数据分成“静态数据”（比如用户注册信息）和“动态数据”（比如当前交易行为）。动态数据更重要，因为黑产往往在动态行为上露马脚。
• 决策引擎层：这是大脑。规则引擎处理确定性场景，模型引擎处理不确定性场景。我个人的经验是：先用规则兜底，再用模型提效。
• 决策输出层：不是只有“通过”和“拒绝”两种结果。我设计过5种输出：通过、拒绝、人工审核、二次验证、观察放行。每种对应不同的风险等级。
• 监控反馈层：很多人忽略这层。其实它最关键——没有反馈，系统就不会进步。我每周都会看误杀率和漏杀率的趋势图。

好了，这就是风控的入门框架。你可能会问：这些模块具体怎么实现？规则怎么写？模型怎么训练？别急，后面几章我会一个一个拆开来讲。

记住一句话：风控不是技术问题，是平衡问题——在安全与体验之间找平衡，在准确与效率之间找平衡。这个理念，会贯穿我们整个课程。

---

公众号：蓝海资料掘金营，微信：deep3321