要认识风控策略和模型，首先了解什么是风险？
风险指的是未来结果的不确定性或损失，换句话说，风险就是不确定性，而不确定性可能造成损失。从具体表现来看，风险分为狭义风险和广义风险：狭义风险表现为损失的不确定性，说明风险只能表现出损失，没有从风险中获利的可能性；广义风险表现为成本或代价的不确定性，最终的风险结果会出现损失、盈利和盈亏平衡三种可能。
来自书：智能风控平台-架构、设计与实现
如何对风险进行发现监控、干预拦截、止损等应对方案，就是风控策略和模型需要做的事。风控策略是直接对风险进行识别和干预的各种逻辑组合，需要通过对业务的理解，从业务流程和数据中去挖掘异常阻断异常，策略要直接简单高效的方案。而风控模型是采用更为复杂的方法对各类数据进行分析，提取出风险因素，用于策略设计，模型方法一般包括统计学习、机器学习、深度学习、图挖掘、最优化方法等，需针对不同数据内容采用对应的模型识别方案。
风险本身大多数情况下都是不确定，且和业务内容深度绑定，就算是同样做信贷产品，由于团队本身的研发水平、数据内容、产品形态、投放响应客群及市场等不同，也会使得风险的程度类型有很大差异。而各个团队对风险的投入都是有限的，不可能穷尽全部都风险点，所以如何平衡成本和收益，用更少的投入收获更大的效益，是风控从业人员也需要去思考的。
在风控策略和模型研发方向，会有一些偏通用基础的方法论可以去应用，可更快速的提升对风控策略模型的理解，使得在风控的投入收益上能更有效，也对个人成长有很大帮助。大部分的风险类型从发现及解决的方向上是一致的，但是各个产品和团队的风险都是一种定制化专有化的事件，不能全部采用一套解决方案，需根据产品形态、客群规模、成本投入等来因地制宜的设计方案。
风控策略关键点是在对风险的识别，最核心的立足点就是“异常”，包括行为、关系、内容、账号等等角度来思考，但是在做风控策略时，也不能完全排除有正常用户可能出现这类异常行为，所以还需要做一些如免疫策略，来提升保证策略的质量。
安全策略的每一次拦截干预都是有成本在的，拦错了就是对用户和平台的损伤。而一般情况下的风控干预都是偏保护性居多，所以还需要对风险进行分层归类，再结合产品体验设计差异化的干预手段。最终就可形成了体系化的风控策略方案。
所以结合上述策略思路，可以对风控策略的设计思路总结为：异常、多维度、分层、归类、免疫、关联、质量、体系化等8个方面。如果能真正把这几个点都做到，策略的收益比绝对不会低。如果把每个点都做好，那肯定是质量非常高的风控策略。
异常识别思路：首先找突变、不一致：如操作次数突变、交易金额突变、时间段不一致、行为时序上下文不一致、孤立点、非常用习惯、非常用地、明显聚集行为等；其他异常，可称为非常规：新账号、新模式、空数据、错数据、错逻辑、高风险场景等；
而对一些非常明显的已有过的恶意，需要更严格的管理，但是这里需要注意对黑转白转灰的做免疫保护，黑历史名单：黑账号、黑设备、黑词库、黑地址、以及多次拦截干预等。黑名单最好做成实时特征，能更有效防止历史做恶。
多维度的思考：首先要区分出可用及可以建设的特征维度，可从离线更复杂更长后期的挖掘：周期（天/月/年等）统计、交叉挖掘、复杂建模等；实时特征偏切片和短周期挖掘：基础统计、多维标记、前后关联等；而特征通常是无穷的，对于安全则需要思考是否识别维度够全面，通常可以考虑这几个方向：账号、行为、内容、关系、风险标识等。
策略分层思路：对于数据需要做排序，分别对头部、长尾、中位、热门、众数等几个维度都做风险客群和行为的分析；结合多维度异常设计出不同程度的风险等级：高中低、评级、评分、纯黑等；对不同风险等级要做差异化的干预体验：拦截、加验、解脱、提醒、教育、延时结算（防止批量薅羊毛）、梯度化处罚规则等。
异常归类思想：可根据风控场景分为，恶意：欺诈、赌博、涉黄、病毒、攻击、涉政、违规、多头等；灰色：羊毛党、养号、刷量、套现、团伙行为等；正常：优质、真人、活动突变（双11等）、测试（少量客群异常）、常用操作等。
免疫思路：对正常的客群和行为需要做保护，一般可信也需要从多个维度去设置：账号、行为、内容、关系、用户反馈等。
关联思想：关联挖掘在风控领域是非常核心的技术，其应用不仅仅是干预策略，还包括贷后失联修复、态势感知等多个场景。一般的分析方法：扩散、团伙挖掘、聚类分析、图谱分析、GNN、融合模型、关联结果评价等；应用方向有：风险、保护、监控、补充、修复等；可根据场景匹配差异化的方法。实时策略更偏向简单有效的关联分析，而离线关联可更复杂的挖掘。
策略质量思考：质量是对策略有效的关键思考，没有质量的策略那基本就是胡来。要做到高质量策略，就需要考虑解释性，可从有异常、及提供证据链（内容、模式、特征、融合）来考虑；还可观察策略的稳定性：监控、阻断、平稳、有效等防止大规模的误伤和漏过；最关键的是对收益的思考，如成本付出比低收益高的先上策略、高优先级场景先治理、对头部风险先治理等。
体系化思考：体系化是策略最终都需要实现的目标，建立多种策略平台：决策引擎、分析平台、监控平台、运营平台、实验平台等；全链路的方案：事前、事中、事后，做到闭环思考；最终就是效能的提升：时效性应对黑产的快对抗攻击、有效性防风险的大规模爆发、工具化使得整个团队具备更强的能力，而不依赖于个人经验能力。
风控模型的建设和传统的机器学习模型建设方法流程基本一致，但风控模型对精准度、细节度的要求更高。
一般的风控模型建设流程可分为：目标定义、数据分析、特征挖掘、样本挖掘、方案选型、模型建设、模型部署、效果评价迭代、建模流程的平台化体系化。
最关键的是建模目标的确定，首先要清楚知道你应用的场景是信贷、欺诈、业安、内容、行为异常等；还有确定模型的应用时机和要求，就是约束条件有哪些：时效、精度、覆盖、解释等，有的场景提出模型百分百准确，那基本是做不到的，这个直接就可定性仅靠模型是无法实现，想其他综合的方法；再来看建模的目的：提升效果、解决问题、研究探索、替换规则、提升效率等。
需要明确的是模型是无法完全替代掉策略的，模型策略各自有各自的价值和侧重点，曾见过有的领导误入歧途，非要用模型去替换掉策略，还要减少策略人员，这个思路肯定是不对的。但大部分安全策略的管理者，是不重视模型研发，觉得策略一两天能搞定，模型一个月都出不了效果，还会用策略思维去管理模型，这个逻辑也是不对的，模型到底适合做什么，估计没有几个做风控的同学能想清楚。所以要分别在不同的场景，去匹配更合适的技术方案。
能做出一个在风控场景真正有效的模型，且能应对快速的黑产攻击对抗变化，是不容易的。毕竟模型迭代研发比策略耗时太多，所以复杂模型的使用场景，按照个人经验看不建议在实时策略中去做复杂的模型。但可以从账号层面（用户及企业的评级评分）、内容层面（色情、低俗等识别）去尝试更复杂的模型。模型在实时和离线场景，也要有轻有重的区分，实时的模型不建议太复杂，不然整个解释性和稳定性都比较难实现，除非你们有一个非常强的工程团队来支持。
风控研发能力要求，一般可分为基础技术和业务理解两个角度。这两个角度也可应用在大多数的产品研发能力要求，包括推荐、搜索、广告等。没有技术和业务的双重理解，是很难把业务做的更好。
基础技术 技术点有哪些？
数据分析：基础能力，SQL / 数据处理；python/scala-大数据分析；理论方法；可视化报告；
后台开发：编程技术，基础计算机知识、C++/java/python等编码能力；后台知识，liunx操作、微服务架构、服务开发；
机器学习建模，分类聚类、时序模型、图模型等，对内容分析挖掘，图像、语音、nlp算法等；
风控知识：领域知识认知，风控本质、提前预防、数据全面、闭环思维等；信贷类，风控场景的理解，贷前贷中贷后风控，风险类型理解：欺诈、套现、多头、违约、合规等；业务安全类，全场景全链路体系化解决风险，策略配合差异化体验、产品能力真正解决问题；金融投资，收益回撤预估、风险防范、长期or短期、价值理论等。
业务理解 知识点有哪些？
业务理解：业务逻辑，对本产品认知、同行产品认知；
业务风险：产品基础业务风险有哪些？局部异常、全局风险？对外风险，政策合规、合作风险、关联影响等；对内风险，团队内，该不该做，做了有什么后果？安全是不出事，就没什么风险，一出事就先背锅再解决。
合作链路：业务开发，其只负责功能，数据策略要自己验证；业务产品，只在有风险爆发才想起你，无风险不会想起你，客服，人力有限，能少干就少干；数仓数平人员，平台服务不稳定，要储备更多能力解决问题等；安全组委会，敏感性、隐私如何保护？缺失数据怎么办？
业务分层：重点业务，要比产品还了解业务；一般业务，提供基础能力；稳定非重点或下线，重点审计、建设告警。
风控策略和模型是无法真正解决全部的安全问题，或者说互联网的任何事任何问题，都不是仅仅靠技术能解决的。
在安全风控研发领域，建议考虑做到3个闭环，基本上能解决到绝大多数的安全问题。
首先产品安全本身的闭环：业务产品要负责整个产品的逻辑安全；安全策略重点做前中后的风险防范；最终还需要多方对安全进行审计、质量评价反馈，及时调整策略逻辑。
策略闭环：对查杀验做到闭环，且不能耦合要各自独立；查：多层异常检测，多种风控模型，全面覆盖识别更多恶意；杀：根据产品/场景定制输出风险等级，打击结果；精准识别打击恶意；验：通过对比/业务运营等，综合评估监控查杀模型准召率，及时反馈业务效果价值。
技术闭环：从效率、深度、时效上做到技术的平衡，在数据研发领域的真理：平台决定下限，数据决定上限，策略算法逼近上限。
如何有效设计出一个可靠的风控策略逻辑，这里以信贷准入、登陆风险监测来举例说明。
风控目标：信贷准入是为了控制违约、提升收益；安全是保障基础账号安全；
异常维度：信贷包括欺诈、多头、聚集、违约等风险；登陆异常包括，非常用环境、异地、共用等
风控模型：信贷侧重准入评分卡、欺诈模型；登陆异常侧重，实时异常分类、聚集异常；
风控策略，信贷可做黑白名单、风险分级等；而登陆异常是行为检测，更多的是区分单次操作的被盗高风险、异常中低风险；
免疫方案：信贷可做账号级、行为级免疫；而登陆被盗是所有账号都可能发生，更多从行为关系为度，如常用环境、常用习惯等来设计；
差异体验：信贷有更多差异手段拦截、差异定价定额；登陆可设计拦截、二次加验不同的体验；
体系化方案：信贷准入及事中事后联动、模型及决策平台；登陆及业务场景联动、产品和安全策略配合；
技术方案：信贷准入更重模型、重分析、轻策略；基础技术知识点有，SQL、Python、大数据、建模；登陆场景风控，重策略、重实时、轻模型；基础技术知识点为，C++/Java、Python、SQL；
不同业务场景的风控方案，在各个细节上都可能有所差异，需要从业人员非常细致的去完成在其领域内的方案设计和系统实现。
风控领域知识是需要持续不断学习，随着技术进步和环境、产品形态、产品规模阶段的改变，风险都会随时发生变化。没有永远的专家，只有过时的对抗策略和技术。
风控是一门非常广、且时刻在变化的行业；今年黑产或者欺诈用各种自动化软件来攻击、明年可能去偏远地区收集身份证人肉攻击；今天产品的A接口漏洞、明天产品的B接口出现漏洞。随着技术和业务的发展，对抗攻击的方法都需要不断改良进步。所以从事这个行业除了不断积累对抗经验，还需要不断学习。
风控领域4+3学习成长法：分为4项基础能力（偏向技术研发方向），和3项专业能力（偏向对领域业务深入理解）；供从业同学参考。
原文链接
https://www.zhihu.com/question/61383688/answer/3278094225
【推荐阅读】
如有侵权请联系:admin#unsafe.sh