在金融科技行业，随着反欺诈技术的升级，黑产的日子，不再那么好过了。

但他们依然有着极佳的嗅觉。在金融领域，只要哪里破了一个口子，他们就会闻风而动，蜂拥而入。

等金融机构反应过来，他们已经迅速撤离，开始寻找下一个猎物。

而此时，损失已经造成。

有什么办法，可以防住这群不法之徒？

01 一级警报响起

9月21日晚10点，信用算力的反欺诈预警系统，拉响了“一级警报”。

在系统中，“上海X升金融有限公司”关联群组，短时间内从三级关注名单，跃至一级风险排查名单。

信用算力欺诈管理岗的张明发现，在很短的一个时段，与上述公司相关联的可疑“借款申请”多达五千多个，且较为集中地申请了与信用算力乘风精准营销平台合作的某持牌消费金融产品。

这些申请人填写的地址，都集中在上海市浦东新区某一处，门牌号均相同。而这个地点，是上海人口密集的制造型工厂聚集地。

通过DBSCAN聚类画像分析，张明发现这批申请人有以下特点：非上海户籍，户籍地分散，手机号归属地、GPS定位地、设备关联度要素分散，活体识别认证均为本人，并未发现屏拍现象。

这是中介团伙的集中包装吗？不太像——地址如此集中，如果是中介代办，未免太过愚蠢。

这是单一企业员工在集中申请借款吗？

凭借多年风控实战经验，张明判断，也不太像。

一个主要原因，是申请者的工作地，与其实际居住地、户籍、手机归属GPS定位，存在明显矛盾。

这其中，必有“猫腻”，排查还在继续。

通过复杂数据处理和交叉信息预判，张明认定，这是一起“新型借贷诈骗套路”。

在这种套路下，诈骗团伙会伪装成大型知名贷款公司，通过短信、QQ、微信等方式和用户联系，收取多种贷前“附加服务”费用，最后却不放款。

“因为是向借款人而非金融机构实施欺诈，诈骗团伙自然不会在资料包装方面多花精力。”张明解释道。

找出欺诈团伙、涉案人群人数以及完成对新欺诈手段的定性，并不是反欺诈的终点。

02 五大反欺诈防线

和这起新型借贷诈骗案例一样，越来越多的欺诈事件呈现出隐蔽性和稀释性，群体坏样本量小、聚集度高的特性。

依靠传统的反欺诈手段，很难对此进行精准识别和防御。有什么方法可以防住欺诈分子，让欺诈识别率再高一点？

信用算力风控团队打造了反欺诈“蛛网”防御系统。在这个体系中，设置了五道反欺诈防线，分别是：构建强规则集、组建弱规则评分矩阵、强化关系图谱、强化群组聚类算法、强化离群检测。

此外，这个系统还通过欺诈关注清单、欺诈信息检验、欺诈模型评分等手段，实现实时、精准、全方位的风险防控。

1.强规则集

区别于触碰单个规则即可精确识别欺诈人群规则，“蛛网”系统构建的强规则集，实现了对多个单一规则的组合，常见的强规则集如：黑名单、同设备关联多人、同Wi-Fi关联多人、同GPS关联多人等。

2.弱规则评分矩阵

弱规则作为拒绝规则还不够准确，而弱规则组合起来形成的评分模型，则可以通过命中一个弱规则累加或累减一个分数，超过一定或低于一定分数的人，确保“蛛网”系统可以精准地判断出欺诈人群。

3.关系图谱

信息抽取是构建关系图谱的基础。基于图数据库的关系图谱技术，打破了传统关系型数据库的维度以及层级限制，确保“蛛网”系统实现跨维度深层级的聚合关联。

4.群组聚类算法

使用聚类算法如K-means、DBSCAN、EM等，在海量用户中实现团伙挖掘，辅助“蛛网”系统主动识别新型欺诈模式。例如在“X升金融”的案件中，就是通过用户数据中的某种超乎寻常的一致性，识别出欺诈风险。

5.离群检测算法

与聚类分析不同，离群检测主要利用密度、深度、距离等算法，检测离群用户，发现与大部分显著不同的对象，实现“蛛网”系统对个例欺诈的精准防控。

通过这五大防线，信用算力能够实现对欺诈风险全面、实时、精准的识别，作为前置风控的重要一环，信用算力可以为合作机构构建完善的欺诈风险防范体系，从而做好用户初筛工作。

03 全流程风控之道

贷前反欺诈只能把一部分欺诈类的“坏客户”挡在外面，但不能保证通过贷前反欺诈的客户都是能按时还款的“好客户”。加强信用风险评估，做好贷中贷后的监控和管理，对提高信贷资产质量也至关重要。

基于此，信用算力打造了可视化、高并发、全流程的巡风智能风控系统，向外开放风控建模与决策服务能力，搭建智能化、自助化、灵活化风险防范与分析生态体系，提供标准化快速对接方式，实现全方位、立体化的风险防控。

“风控模型真正的作用，绝不在于对历史数据的拟合，而是在于对未来的预测。”信用算力风控团队数据模型负责人这样表示。

在他看来，模型能够发挥作用的一个基本假设，就是“历史会重现”——在历史数据中隐藏的规律，会在未来继续发挥作用。这就对建模人员提出了极高的要求：在训练模型时，要确保模型从历史数据中发现的是真正的“规律”，而不是干扰的“噪声”。

而信用算力的风控团队，在这方面有自身优势。

信用算力风控团队大多“出自名门”：有人来自平安、交通等头部银行的个人信贷业务与风控部门，有人来自持牌消金和上市金融科技公司的核心风控部门。他们负责过的信贷业务，规模超过300亿。

这样一支复合型+实践型团队的最大的共同点，是有多年风控实战经验，熟知行业前沿的风险模型算法，同时天然地对数据与变化保持着高度敏感。

如在数据预处理阶段，信用算力风控团队将所有建模数据分成训练集、测试集和验证集，分别用来训练模型参数、筛选出最优模型、评估最优模型的一般统计功效，并将三者的样本量比例选定在7:2:1左右。

信用算力风控团队利用知识图谱分析、单变量分析、文本挖掘等数据挖掘手段，从海量指标中挑选出与坏账风险有较强相关性的指标，通过XGBOOST、随机森林、逻辑回归、K-fold、Stacking等机器学习算法，计算借款人个人信用综合评分，以此实现用户借款需求与金融机构产品的精准匹配，确保风险可控。

完成上述建模线上部署后，模型通常会具有较高的区分能力和稳定性，能够有效评估借款客户逾期的可能性。

从数据预处理出发，到建模、模型训练、模型线上部署、建模报告输出，目前，信用算力部署了一套完整的、全自动化的风险建模流程，构建了渠道风控、贷前风控、贷中监控、贷后管理能力，同时可向外输出核心分布式微服务系统架构、容器引擎及SaaS平台技术。

实战团队与前沿技术加持，信用算力风控系统数据表现十分亮眼。除了消费信贷场景，巡风智能风控系统能力在电商、手机租赁等场景也得到验证与认可。

“信用算力可以依据不同场景下的风控业务需求；为合作机构打造线上业务全流程服务模式，快速对接海量资产，助力合作机构高质量、高效率地完成业务表现，目前有持续合作意向机构达上百家。”信用算力风控负责人称。