智能风控中的机器学习
我帮你梳理了一下，主要是几个地方，我按你说的一步一步来：
1. 事实错误与数据方面的修正
这部分我比较谨慎，你说的“事实有错”和“数据不准”，我仔细检查后，觉得大部分是你的个人经验和感受，不是硬性的数据错误。但有一个地方确实需要提醒：
- **关于“重拟合（第九步）”**：你说的“把OOT和开发样本合并，用最终特征集重新训练一次”，这个做法在实操中有争议。OOT（Out of Time）样本通常被看作“未来的数据”，是用于最终验证模型在时间上稳定性的。如果你把OOT当作训练集的一部分再用一次，就等于你偷偷看了“未来”的数据，这样出来的评估指标（比如KS、AUC）会虚高，上线后大概率会翻车。这违背了“用OOT验证”的核心逻辑。你可以理解为：检查老师手里的标准答案，然后回去改卷子，分数虽然高了，但真实水平并没有提高。
建议修改为：把这一条删掉，或者在步骤里明确说明，合并重训练是为了生产环境发布最终模型，但OOT的评估分数需要单独保留，用于报告。
- **其他数字**：比如35000样本、坏账率12%、GINI=0.42、PSI>0.1等，这些是你项目里的具体数字，属于你的个人记录，读者无法证实。但你作为讲述者，这些数字构成了你“踩坑”的真实感，可以保留。
2. 删除AI味表达
我通读了一遍，你原文写得挺有“人味”的。你要求删掉的「值得注意的是」「总而言之」「众所周知」这类词，你文章里基本没有。但有一些句子风格，我们可以再打磨一下，让它看起来更像朋友聊天，而不是投稿。
- **原文**：“我跟你聊聊我对未来几年的判断：”
- 这个有点正式。可以改成：“你要我说未来几年会怎么走，我琢磨着大概是这几个方向：”
- **原文**：“风控模型的价值从来不在你用了多前沿的算法，而在于你能不能在这个跟欺诈互搏的复杂斗兽场里，稳定地预测明天。”
- 这句话写得很不错，很有力量，稍微调整一下断句会更自然。比如：“风控模型的价值，真不看你算法多前沿。核心就一个：你在欺诈和风险这个斗兽场里，能不能稳得住，能不能把明天猜准了。”
3. 打散过于工整的排比句
你的文章在“集成模型”那部分，为了说清楚流程，用了“第一步到第九步”这么整齐的序列。这种风格在技术文章里很常见，很清晰。但如果想让阅读节奏更舒服，可以在部分步骤的叙述里，加入一些“吐槽”或者“故事感”，而不是单纯罗列步骤。
比如，步骤一（提前停止）和步骤二（特征编码），可以这样改：
- **原文**：
**第一步，提前停止，别手软。** 从开发样本里拆30%出来做validation，或者直接用测试集。坚持用，心要狠。
>
**第二步，特征编码。** 文本型特征全部转WOE，数值型保留原样。有人喜欢用one-hot，我试过，树模型上差别不大。
- **建议改成**：
“提前停止”这招，老实说，我一开始也舍不得。总觉得训练得越多，模型学得越好。后来被现实教育了。现在我的做法很死板：开发样本里狠狠拆30%出来做validation，坚决不用它训练。心一软，泛化就崩。
>
然后是特征。文本型特征？别想别的，全部转成WOE，数值型的就保持原样。有人喜欢用one-hot，说树模型能吃。我对比过，没差别。倒是WOE有个好处，它天生就能处理缺失值和异常值，不用你再写一堆if else。
最终修改版
嘿，朋友，我问你一件事：你有没有翻过自己写的旧笔记？
上周末我整理书架，翻出一本2015年的工作手册。封面都快烂了。翻开一看，密密麻麻写的全是逻辑回归的公式推导和WOE分箱的逻辑。我看着那些手写的数字，愣了五分钟。
太熟悉了。
评分卡、决策树、XGBoost、图神经网络……十年风控路，技术栈看着热闹得不行。老实说，很多坑填了又挖，挖了又填。今天，我就跟你聊聊，我跟机器学习在这个圈子里，到底是怎么“相爱相杀”的。
评分卡时代？你觉得它简单，那你就错了
早些年做风控，公司里的东西简单得可怜——只有一个模型，叫评分卡，用SAS写的。
那时候我们干什么？把特征做WOE变换，分箱、算IV、挑变量，最后跑逻辑回归。说出去叫“金融建模”，听着挺吓人吧？其实拆开看，就是个线性求和。
Age小于18，扣多少分。逾期次数大于3次，再扣多少分。清清楚楚。
好处是什么？监管喜欢，业务也喜欢。出了风险问题，你能指着评分卡跟老板说：你看，就是这个客户，因为“最近30天查询次数过多”才被拒的。明明白白。
坏处呢？非线性关系它抓不住。你想想，收入10万和收入20万的人，还款能力能一样吗？但在线性模型里，权重是全局的，一笔带过。
但我要说句实话——觉得评分卡简单的，那一定是没见过做好的评分卡。
有次参加行业交流会，一个年轻人站起来说：“LR都什么年代的东西了，我们现在直接用XGBoost，效果倍好。”
我当时心里一惊。朋友，你做过特征工程吗？
WOE这个东西，它本身就是一个非线性映射。分箱分得好，WOE做得到位，LR在风控上的威力比你想象的大得多。后来我真拿真实数据拉了一个对比——35000条样本，坏账率12%左右。你猜LR的GINI是多少？0.42。XGBoost被我调了三天三夜，几乎试了所有参数组合，最终成绩是……0.43。
就多那么0.01的差距。代价呢？你得花一个小时跟业务解释“为什么这个变量贡献是负的”。
那个时候我们还要做什么？PSI（群体稳定性指标），每季度监控一遍。哪个特征分组的bad rate变了，全团队加班重新分箱。你管这叫机器学习？嘿嘿，这叫体力活。
说到这儿，我有个观点你可能不认同：古典评分卡在今天依然是风控的底仓。不是因为它最好，而是因为它最稳。很多银行2024年还在跑这套系统，别笑，这是真的。
集成模型？精度越高，我越害怕
后来XGBoost火了，LightGBM也来了。Kaggle上人人都在玩，金融圈也开始跟风。
我在那家金融科技公司的时候，也没忍住，上了集成模型。你猜怎么着？
第一版模型，离线KS做到0.55。我当时开心坏了，觉得自己年终奖稳了，能在团队里横着走。
上线一周，坏账率飙升。
查了三天原因，发现是线上环境里，很多特征的取值在开发样本里没出现过。集成模型太“认真”了，每个树都分裂得很细，遇到没见过的新组合，它就开始外推。理解一下什么叫外推——就是模型开始瞎猜，乱给评分。
你想想，一个模型上线后疯狂泛化失败，跟赌博有什么区别？
那次之后，我养成了一个习惯，一直用到现在：绝不只看离线KS/AUC。这两个指标高，不代表上线没问题。就像一个人考试成绩好，不一定代表他工作能力强。
后来我自己捣鼓了一套过滤流程，走了无数弯路，现在固定下来是这样的（你看，这都是踩坑踩出来的）：
第一步，“提前停止”这招，老实说，我一开始也舍不得。总觉得训练得越多，模型学得越好。后来被现实教育了。现在我的做法很死板：开发样本里狠狠拆30%出来做validation，坚决不用它训练。心一软，泛化就崩。
第二步，特征编码。文本型特征？别想别的，全部转成WOE。数值型的就保持原样。有人喜欢用one-hot，说树模型能吃。我对比过，没差别。倒是WOE有个好处，它天生就能处理缺失值和异常值，不用你再写一堆if else。
第三步，用IV做筛选。把IV大于0.5的变量单独拎出来，作为加分规则。很多人觉得这么玩会拉低模型精度，从AUC看确实如此。但在策略主导的体系里，这种“硬规则”能给你极大的安全感。线上出了事，你可以直接说：这单被拒，因为它触发了黑名单规则。
第四步，相关性剔除。相关系数大于0.75的，去掉IV小的那个。你可能问，XGBoost不是自带特征选择吗？是自带，但高度相关的特征会互相削弱重要性，导致模型解释性更差。
第五步，用SHAP做剪枝。我喜欢用SHAP而不是feature importance。原因很简单，SHAP具有一致性——你删掉一个特征，剩下特征的重要性分布不会扭曲。逻辑清晰，比迭代删除简单十倍。
第六步，卡PSI阈值。开发样本、测试集、OOT，三个集上的PSI全算一遍。PSI大于0.1的，直接踢掉。别问为什么，执行就对了。
第七步，自动调参。我用贝叶斯优化，比网格搜索快十倍不止。参数搜索范围别太大，重点调学习率、树深度和subsample。
第八步，逐个特征删除。这个是我最喜欢的一步。一个特征一个特征删，看OOT上的KS是不是提升了。你可能会说，这不是用了OOT信息吗？没错，但删特征不会导致过拟合——因为你只是去掉没用的累赘。如果数据量足够，这么搞完之后，训练集和OOT的ROC曲线几乎重合。线上稳定性？稳得一批。
第九步，重拟合。这一步最终上线用的。把OOT和开发样本合并，用最终特征集重新训练一次。但注意，最终报告里的OOT指标，绝对不能用这次训练后的模型跑出来的，必须用之前单独保留的评估结果。不然你就是在作弊。
这套流程下来，集成模型我基本上没翻过大车。
但说实话——费时费力。如果你是个小团队，我劝你慎重。
树模型还有个让人头痛的问题：解释性。SHAP能提供变量贡献，但它依赖开发样本的均值。业务问你“为什么这个客户被扣了50分”，你只能说“因为他的XX特征值偏离了正常范围”。我自己说这话的时候，底气都不足。
行业实情说给你听：很多金融科技公司，包括蚂蚁、京东这些大厂，其实都把集成模型当辅助工具。主引擎依然是评分卡或简单模型。不信你去翻金融监管的披露报告，几乎没有一家说“我们用深度模型做信用评分主模型”。
深度学习和图网络：真香还是花架子？
再后来，图神经网络被吹进了风控圈。
蚂蚁有TitAnt系统，用DeepWalk把用户和交易关系变成embedding，喂给GBDT。花呗、白条的欺诈团伙识别，有人用TA-Struc2Vec，把“结构同质性”和“交易金额同质性”一起嵌入。还有CaT-GNN，2024年最新的成果，把时间和因果塞进来做信用卡反欺诈。
光看论文标题，就觉得高端大气上档次，对吧？
我试用过类似思路。在现金贷反欺诈场景，我们把用户的设备指纹、联系人、IP全部构建成图，用Node2Vec造embedding，然后丢进XGBoost。
效果确实有提升。欺诈捕获率提高了3到5个百分点。听起来不错？
但部署成本翻了三倍。每次图更新，都要全量重跑，线上延迟感人。我们后来只敢拿它做离线团伙挖掘，实时交易？还是靠规则加评分卡。
序列深度学习我踩得更深。
有一年做交易反欺诈，我用LSTM加Attention去学交易行为序列。真实数据测试下来，AUC比树模型好0.02左右，但Top-K捕获率却差不多。
说白了，深度学习自动特征学习能力强。但当样本量不够、正负比极端（比如欺诈率只有0.1%）的时候，它学到的“模式”往往是噪声。反而是人工做的几个统计特征——比如“过去1小时交易金额标准差”——更稳健。
我现在的态度是：深度学习在风控领域有用，但别神话它。它的价值更多是辅助——做特征embedding、做异常检测。而不是替代传统模型。
你想想，如果每天2万笔交易，要用一个200层的Transformer去跑一遍，那运维成本可能比坏账还高。谁干？
PU Learning：没有标签，也能用？
风控圈里有一个特别恶心的问题——拒绝推断。
什么意思呢？你做模型的时候，只有放贷通过的客户才有逾期标签。那些被拒的人，你永远不会知道他们会不会还钱。
这就是经典的PU问题——Positive and Unlabeled Learning。专家只能标注“肯定是坏人”的样本，但标不出“肯定是好人”的。
怎么办？一个机制是这样的：你标注的正样本必须100%靠谱，有硬规则支撑。其他的全部扔到未标记集合里。然后做一个倾向评分模型，去预估未标记样本里的正样本，再迭代标注。
我做过类似的实验：用逻辑回归做倾向评分，然后给正样本加权，重新训练信用评分模型。
效果怎么样？KS从0.40干到了0.43。而且关键的是，拒绝样本上的预测分布更合理了。
但缺点也有——变量要少。倾向评分模型本身容易受噪声影响。如果你特征太多，未标记集合里又混杂了大量软性负样本，倾向评分会崩得一塌糊涂。
一句话说清楚：PU Learning适合冷启动，或者样本量不到一万条的场景。如果你已经跑了一两年，手里握着几千条坏账记录，那就别再折腾了，直接用有标签的样本就够了。
风控系统的进化：从一锅粥到六要素
讲完算法，咱们聊聊系统。
我最早期做风控系统，就是一锅粥。规则、模型、特征、数据全部揉在一个项目里。改一个阈值？你得改代码、提测试、走发布流程。快的话一天，慢的话三四天。
如果是紧急的诈骗团伙需要立刻拦截？等流程走完，黄花菜都凉了。
后来我们做了重构，核心思路是提取六个要素：规则、决策、流程、模型、特征、数据。
规则被抽象成DSL（领域特定语言），写规则像写SQL一样：if age < 18 then output "拒绝"。特征加工做成配置化，新建一个特征不需要改代码。模型引擎独立出来，支持热部署。
效果是什么？一条新规则，线上10分钟就能上线。模型迭代不影响其他服务。不同业务线之间共享特征，不用重复计算。
坏处也有——架构复杂度上去了。但考虑到每天几百万次的调用量，这个代价是值得的。
现在我们在做商业化，去一些中小公司做风控咨询。你猜我看到什么？
很多公司还在用Excel管理规则。
我说这不是技术问题，是意识问题。你看，一个人守着几百条规则的Excel表，手动改，手动发版。出了风险事件，要查Excel比对。真不是在搞笑。
未来走向：别跟风，想清楚自己要什么
从古典评分卡到集成树，再到图神经网络、联邦学习，风控的武器库在不断扩张。
但你仔细观察就会发现，落地效果最好的，永远是那些能用简单话说清楚的技术。
你要我说未来几年会怎么走，我琢磨着大概是这几个方向：
第一，可解释性会被持续推高。 欧盟AI法案、国内监管都在强调模型透明度。风控不像图像识别，搞个黑盒子是真不行。未来高阶模型都会有配套的解释方案，SHAP、LIME这些只是开始。更可能发展出的是自解释模型，比如EBM。
第二，自动化特征工程加AutoML会成为主流。 这个已经在很多平台有应用了。但风控场景需要约束——不能暴力搜到过拟合特征，不能忽略时间稳定性。我见过有些AutoML工具筛出来的特征，PSI跑一个月就直接崩了。
第三，联邦学习会在多头借贷和联合反欺诈里铺开。 原因很简单——数据不能出域。各家银行、消费金融公司都想用对方的数据做特征，但隐私法规卡着。联邦学习是个妥协方案，目前精度损失大约5%到10%，可以接受。
第四，图网络在团伙欺诈上会变成标配。 单点欺诈靠规则降维就够了。团伙欺诈？必须看关系网络。现在头部机构已经在用这个技术了，未来可能每个中型平台都会搭一套LightGCN。但注意，端到端GNN跑线上不太现实，图嵌入加树模型才是主流。
第五，最不变的是业务理解。 我见过一个评分卡，效果稳稳压过XGBoost。为什么？只因为做模型的人知道一个业务规律：头逾期的用户，下个月还款概率其实比逾期7天的还要低。这种业务直觉，模型学三年也未必学得会。
朋友，说到这儿，我想跟你说句掏心窝子的话。
我做了十年风控模型，从手工分箱算到GPU集群，从SAS写到了Python。技术换了一茬又一茬，但有些东西一直没变。
风控模型的价值，真不看你算法多前沿。核心就一个：你在欺诈和风险这个斗兽场里，能不能稳得住，能不能把明天猜准了。
哪怕你只用评分卡。只要特征调得好、监控做得勤，一样比那些模型花里胡哨但线上崩盘的团队强一百倍。
这个故事讲完了，你可能觉得我说得有点狠，但十年踩坑，一字一句都来自真实的痛。
别被那些花里胡哨的模型晃了眼，跑得稳、活得久、能赚钱的，才是真功夫。
读者评论 4