引子
伴随肺炎疫情，消费金融行业最近并不安生。各路媒体薅羊毛、蹭热点、夹私货的不少。其中，最受追捧之一就是预言行业发展前景，意淫资产质量波动。
拐点还没到，资产质量波动究竟几何？除了各机构风控、高层和对应的监管机构，能被媒体知晓并报道的，基本都是放长线，狠打脸。
猎奇信息快餐，传播焦虑，不如来探究影响资产波动的原因，最重要的一个便是欺诈风险倍增。
在消金风控江湖里，信用风险和欺诈风险，一个是罗纱掩面却光明正大的挑战者，另外一个则是藏身暗处且招招致命的刺杀者。
如前篇所述，信用风险主要通过各种方法判断用户的还款能力和还款意愿。它就在那里，等你用可触及的手段搜索数据，用逻辑工具分析判断，最后在风险与利润之间寻求平衡。
欺诈风险，则完全不同。刺杀本就不择手段，杀人成功、绝尘而去才是惯见场面。贷款欺诈的目的是骗贷，所以反欺诈更像一场敌暗我明的不对称战斗。剑一出鞘，必鲜血侍之。
欺诈分类
兵者云：知己知彼，百战不殆。欲反欺诈，必先知之。欺诈风险，大致如下。
白户风险：借款人信息缺失，没有足够的数据来对借款人进行风险评估。包括内部白户（新注册用户、无申贷历史记录）和外部白户（央行征信、第三方民间征信无覆盖）。由于从未或较少有申贷记录，因此黑名单规则、多头规则等都会失效。在对待白户时，应当谨慎其被黑产利用的可能。
黑户风险：借款人存在逾期、失信、欺诈的记录。包括内部黑户（历史多笔订单出现逾期、在途订单催收失联等）、外部黑户（央行征信花/黑、第三方民间征信黑）。出于炫耀等心理，很多黑户会在口子论坛、QQ群等交流撸贷经验，因此可通过论坛舆情监控、黑产群卧底等来发现新的作案手法。
伪造风险：借款人通过伪造资料，蓄意骗贷。例如，伪造账单流水记录来企图骗取更高的额度。一般都是借款老手，熟悉各平台流程，深谙套路。恶意欺诈人群往往到处借钱，广撒网来提高放款概率。同时，可能涉及不良嗜好（黄赌毒）。
身份冒用：伪冒他人身份进行欺诈骗贷。包括熟人冒用（亲戚朋友、同学等）和他人盗用（购买他人四件套、个人隐私信息泄漏等）。一般可通过信审、人脸识别、活体验证等方式来核验借款人身份。
中介风险：黑中介哄骗或招揽客户实施骗贷,对平台风控漏洞进行大规模攻击，造成巨大资损。黑中介可利用白户轻松突破风控防线，并骗取白户的高额手续费。黑中介通讯录一般会存客户的号码；若是远程贷款操作，可能会采取视频通话、翻拍照片来应对活体识别核身。
传销风险：有组织地开展收费并发展多级下线，存在集中骗贷的风险。给成员洗脑诱导骗贷，同时不断以拉新会员费来给老会员发工资，从而扩大规模。由于老客拉新，从关系网络上观察具有明显的星状结构。
内外勾结：骗贷人与放贷机构内部员工因为利益勾结。机构员工熟悉内部风控规则和漏洞，利用这些漏洞与外部骗贷者合作，诱骗风控审核通过，骗取贷款本金。内外勾结一般是窝案居多，外部偏带者多为专业黑产、骗贷机构。单笔金额较大，且连续笔数多。
反欺诈体系
高手过招，七步之内，生死立判。反欺诈作为风控体系中不可逾越的底线，与信用风险控制体系截然不同，它的逻辑体系可谓极简：凡识别为欺诈者，斩立决。
决胜千里，在运筹帷幄。如果说反欺诈的策略是道，那么反欺诈的模型和算法就是法和术。道、法、术由上至下，辅成与共。而数据，作为一切逻辑得以实现的基石，就像空气、时间或者重力。四者合璧，形成反欺诈的闭环世界。
反欺诈策略
在反欺诈的世界里，华山论剑的侠客不少，杀敌制胜的招数无限。反欺诈策略，更像是习武最初修炼的内功心法。当内力盈满，无论何门何派武功，学起来都会事半功倍。主流的反欺诈策略有信誉库、专家规则、机器学习三种。
❖ 信誉库：指传统的黑、白名单，通过内部积累、外部获取的各种人员、手机号、设备、IP等黑白名单对欺诈行为进行判断，是一种简单、成本低的反欺诈手段。
❖ 专家规则：基于反欺诈策略人员的经验和教训，制定反欺诈规则。当用户的操作请求和行为触发规则时，即被认定为欺诈行为并启动拦截。
❖ 机器学习：通过机器学习的方法，将用户各个维度的数据和特征，与欺诈建立起关联关系，并推算出欺诈的概率。
有监督的机器学习会将历史上出现的欺诈行为进行标记，利用逻辑回归等算法，结合海量用户行为特征，识别欺诈行为。
无监督的机器学习不需要预先标记欺诈行为，而是通过对有操作行为各维度数据和标签聚类，找出差异行为，予以拦截。
反欺诈模型与算法
内功内化于心，拳术剑法外化于形，内外兼修，方能制胜。反欺诈模型就像武林各派武功，而算法就像纷繁复杂的招式。终极目的为制胜，在反欺诈的江湖里，从一而终者寡，而杂糅百家、取长补短者多。
❖ 常用的模型 有FPD模型、评分卡模型、多元判别分析模型、Logistic回归模型、神经网络模型、决策树模型等。
举例：FPD （First Payment Delinquency）首次还款逾期模型通常作为兜底模型，内在原因是欺诈一旦得逞，首次还款即逾期，所以首逾率也通常被视作欺诈的一个重要指标。
❖ 常见的算法 包括数据挖掘算法、社区发现算法、深度学习算法等。
举例：数据挖掘算法是根据数据创建数据挖掘模型的一组试探法和计算。为了创建模型，算法将首先分析提供的数据，并查找特定类型的模式和趋势。
(大)数据
道生一，一生二，二生三，三生万物 -- 《道德经》。在反欺诈体系里，数据就是一。
❖ 前篇文章里详述大数据的分类，涵盖资质数据、社交数据、交易数据、行为数据等，不再赘述。
而数据之所以为基石，是因为多数实际情况下，数据的量级并不能达到理想要求。底层的算法、模型和策略需要根据数据的可获得性调整。反之，对数据清洗和使用的逻辑，会对产出的结果造成实质影响。
举例：关于社交数据如通讯录、运营商数据，采用基于图的社区发现算法（如Louvain）来发现团伙。关于埋点行为数据，利用LSTM、Word2Vec等算法来生成行为特征。
典型风险事件渠道
兵者，诡道也 -- 《孙子兵法》
反欺诈模型的迭代和欺诈黑产的反制更新，就是一场典型的猫鼠游戏。无间之道，没有成规可寻。在反欺诈体系之外，可用四种渠道窥视敌方动向。
实时大盘监控：基于订单、用户维度，监控设备聚集性风险（LBS、Wi-Fi）、地域欺诈风险（如朋克村）。大盘监控对于识别黑中介风险、传销风险等团伙欺诈相对更有效，需要设置报警阈值，并人工介入分析。
信审催收反馈：信审通过电话外呼，核验客户身份，咨询借款动机，往往会发现某些欺诈用户。例如，身份伪冒风险场景中，借款人支支吾吾无法正确回答问题。催收中发现失联用户等，这些关联部门的案件将反馈至风控调研组。
论坛舆情监控：通过对各大口子论坛、戒赌吧、上岸交流区等内容，提取近期市场动向。特别是需要去理解欺诈人群的心理特征、社会身份等。例如，2018年，在714高炮行业风险初见苗头时，论坛上就出现“青铜系”、“宁波系”等借贷口子系列。
黑产卧底调研：线上渠道可尝试加撸口子QQ群、网贷中介微信等方式，利用老手们的集体智慧，以及网贷中介的丰富经验。站在对方的立场上，更会发现己方风控系统的弱点。线下渠道可去一些欺诈案件多发地，实地调研来学习黑产的手法。
尾声
有人的地方就有江湖，有江湖的地方就有欺诈。人心有多善良，就有多险恶。欺诈与反欺诈，是人性的较量，不灭不息，永恒存续。认清这点，许多事自然得解。
最后分享一个彩蛋故事，关于人类与技术反向破解。
一个有严重路怒症的德国老头，每次开车出门时，后座上总是堆叠着99部旧手机，全部打开谷歌地图。当聪明人用最智能的手机实时查询交通路况，用最复杂高效的算法算出最优路线，从而节省5分钟时，老头却一路驰骋，悠然驶向目的地。
閱讀更多 財經麥田圈 的文章
