前言
反欺诈的本质更多的是校验借款人的身份，也就是证明你就是你，我就是我。反欺诈也有很多金融术语（参见：https://zhuanlan.zhihu.com/p/26197949），也便于我们更清楚欺诈风险点。针对信贷业务，主要有两种风险，欺诈风险和信用风险，从造成的损失来看欺诈风险是公司损失的主要风险；当前网络的欺诈从业人数超过200万，网络诈骗的市场规模约1200亿，因为骗贷、套现等手段造成倒闭的机构超过2000家。
欺诈风险分类大致有两种：
第一方欺诈——相似地址伪装、本人手机号小号、高级欺诈.....
第三方欺诈——团伙欺诈、身份冒用、养资料（设备农场、猫池）...
我们常用的手段有：策略反欺诈，直接欺诈类用户通过策略拒绝掉；反欺诈评分，信用风险向欺诈风险转移的用户通过反欺诈评分卡模型来搞定，模型能解决策略的局限性。
反欺诈模型实施要点
1. 特征选择
个人欺诈特征：比如命中法院执行名单、三方黑名单、三方欺诈分；详单数据（通话次数、详单中授信人数占比，一度、二度联系人数占比）
团伙欺诈特征：比如设备关联了多少身份证；IP登录异常、通讯录数据（e.g：通讯录中名字涉及到“贷款”的个数、通讯录中命中黑名单的人数）
特征细分类
基础信息：如年龄、申请授信次数
设备信息：如借款人对应手机个数
时间相关：如授信申请时间在0-6点
运营商相关：近180天通话时长（通讯录、通话详单可以单独挖掘，构建子模型）
三方：蜜罐手机灰度值、前海好信度评分等等
行为相关：7天内登录次数；首次点击到申请授信时长、一天内最多的session数、申请授信前一周的行为统计等
复杂网络：借款人一度、二度联系人个数等
Label定义
黑名单用户
首单逾期用户
策略拒绝用户
人工标记用户
模型评估
线下表现
p值和分数的分布
训练集和测试集的AUC、KS
拒绝率：如果阈值设置高于某个值，则拒绝的人数占总人数的占比（主要用于对比线上情况是否一致，类似分层的概念）
线上评估（同线下）
常用个人（C端）反欺诈体系
身份信息校验——人脸比对、ocr、活体识别、人证比对、虹膜识别
手机号验证与识别——短信验证码、语音验证码、图形验证码、拖动滑块式验证码、运营商、二次放号，虚假，未实名等等
地址定位——验证居住地和工作地真实性和真假，申请地址GPS和手机设备GPS地址是否匹配
设备指纹——其他设备指纹相关的规则（白骑士）、设备关联不同姓名（年龄，地区)的身份证等
银行卡——三要素验证、四要素验证、银行卡号归属地在高危地区、银行卡号命中盗卡黑名单等
多头检测——检测申请人最近是否多次申请贷款，外部都头数据，同盾、百融、极光、聚信立等
风险名单库——内外部黑名单，司法数据，逾期名单，失联名单，贷款黑中介名单是否命中，公检法公开的失信、申诉、被执行、吸毒、涉黄，各类征信数据联盟的不良名单等
知识图谱——联系人是否命中黑名单，通讯录涉黑、涉黄等
人工交叉电核——经验性话术设计、勾稽比对、交叉检验等
贷中监控反欺诈——行为数据，手机使用状况、出行记录、电商平台交易数据、还款行为数据、短时间频繁交易，大额交易，补卡盗刷等
如下是反欺诈在全流程信贷中的关键指标：
一、注册
二、登录
三、实名认证
四、绑卡
五、授信
六、放款
七、提现
参考文章1：https://zhuanlan.zhihu.com/p/29068100
参考文章2：https://zhuanlan.zhihu.com/p/43785235
参考文章3：https://mp.weixin.qq.com/s/mBUAcAVaS8h66DvwzXUtHQ
点赞 4
————————————————
版权声明：本文为CSDN博主「Bonus_F」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_32123787/article/details/97933493
来源：CSDN
作者：慢爬小蜗牛
链接：https://blog.csdn.net/xiaoxiaoniaoer1/article/details/103662550