1 信贷风控简介

金融业务下沉的同时，其风险也在不断扩张，基于新技术和新场景的诈骗手段不断升级，欺诈方式更具场景化、专业化、智能化。信贷风险是还款能力与还款意愿综合考量，而申请信用评分并不能良好地识别欺诈意图，在此背景下，反欺诈成为了金融系统中必不可少的一环。

2 反欺诈流程

3 反欺诈评分建模

以小微企业贷款申请反欺诈架构为例：

3.1 欺诈定义

欺诈是指故意歪曲事实，诱使他人依赖于该事实而失去属于自己的有价财产或放弃某项法律权利。在金融欺诈场景由于信息不对称、欺诈形式的隐秘复杂性等原因，常没有比较确切的欺诈定义。对于个人贷款场景反欺诈的的重点是个人虚假信息欺诈，而对于小微企业贷款场景反欺诈的的重点是企业经营欺诈，常用的信贷欺诈标签定义如：

• 人工核实的欺诈名单
• 催收失联
• 贷后催收标记
• 早期逾期
• 首逾
• 逾期团伙
• 涉诈黑名单等等

3.2 欺诈特征

3.2.1 基本信息

• 手机号码、银行卡、姓名、身份证号是否一致
• 邮箱 是否是一次性邮箱
• 地址信息 地址是否存在多用户相似或关联逾期客户
• 电话、身份证号、姓名是否关联多个账户

3.2.2 用户手机号及运营商数据

• 是否是虚拟运营商
• 流量卡or通话卡
• 手机号码注册多平台验证
• 手机号码在网时长
• 申请人通讯录关联情况：申请人通讯录高度重合（申请手机通讯录名单和最近N个月内其他申请手机通讯录重合度≥70%）
  -申请人注册手机与异常号码通话情况：例如过去N个月与贷款类号码话大于等于X次
• 联系人有效性 ：联系人手机不在通讯录内、联系人号码近N天无>30s的主叫通话记录

3.2.3 设备环境数据

• 是否使用模拟器
• 设备MAC地址是否关联多个账户
• 每次登录ip地址是否相同
• 同一IP是否关联多个账户
• GPS(精确到小数点4位)是否关联多个账户

3.2.4 用户行为数据

• 登录、申请时间在凌晨
• 段时间行为序列相似

3.2.5 交易

• 集中单个对手循环交易
• 交易备注存在大量退货、投资、借款的备注
• 贷款后顶额支用
• 贷款后第一笔转账给疑似中介
• 贷款前后交易次数明显差异

3.2.6 其他数据

如用户的电商消费数据、社交网络数据、税务数据、司法数据等等

3.3 模型表现

更多精彩内容，欢迎star算法进阶github博客