- 综合排序
- 最热优先
- 最新优先
- 来自专栏肉眼品世界
智能风控系统设计与实践
在信息安全领域，建立在人工智能技术之上的策略引擎已经深入到了风控产品功能的方方面面，相应的，每一个策略系统都离不开大量的特征，来支撑模型算法或人工规则对请求的精准响应，因此特征系统成为了支持线上风控引擎的重要支柱 本文以智能风控在线特征系统为原型，重点从线上数据从生产到特征物料提取、计算、存取角度介绍一些实践中的通用技术点，以解决在线特征系统在高并发情形下面临的问题和挑战。 特征系统的基本概念 1. c) 滑动窗口期：时间窗口的长度是固定的，但起止时间点一直在向前滚动，主要针对风控事中检测，常用来判读信息准入，例如风控发帖时间点前15分钟的计数。 在线实时特征系统设计与实践，对从整体功能上来讲，在线实时特征系统的设计主要考虑以下几个方面： a) 数据大，风控系统每天产生日志量3TB左右，同时特征系统还会接入发布、浏览、登录、注册、聊天等数据。 总结和规划 本文主要以智能风控在线特征系统为原型，提出了在线特征系统的一些设计思路。其中特征工程系统的边界并不限于特征的解析、计算、存取等。
2.5K20发布于 2020-11-17 - 来自专栏AI SPPECH
智能金融风控中的大模型实践_01
复杂欺诈检测、异常交易监控、智能风控决策等 大模型在金融风控中的核心应用场景 3.1 智能信贷风控 智能信贷风控是大模型在金融风控中的重要应用场景，主要包括： 客户信用评估：利用大模型分析客户的多维度数据 5.1 国内金融机构实践案例 5.1.1 大型银行的大模型风控实践 案例4：某国有银行的大模型智能风控平台 该国有银行构建了基于大模型的智能风控平台，整合了行内交易数据、客户行为数据、外部征信数据等多源数据 5.2 国际金融机构实践案例 5.2.1 国际大型银行的大模型风控实践 案例7：某国际银行的大模型合规风控系统 该国际银行在全球范围内开展业务，面临着复杂的监管环境和合规要求。 5.3 实践经验总结 通过对国内外金融机构大模型风控实践的分析，我们可以总结出以下经验： 数据是基础：高质量的数据是大模型风控成功的关键，金融机构需要建立完善的数据治理体系，确保数据的质量、完整性和可用性 从智能信贷风控到智能反欺诈，从智能合规风控到智能市场风险管理，大模型在金融风控的各个领域都展现出了巨大的潜力。
1.6K20编辑于 2025-11-13 - 来自专栏AI SPPECH
智能金融风控中的大模型实践_02
特别是在数字化转型的背景下，金融机构需要更高效、更精准的风控手段来应对日益复杂的风险环境。 近年来，大语言模型（LLM）等人工智能技术的突破性进展，为金融风控带来了新的机遇。 本文将深入探讨大模型在金融风控中的应用现状、核心技术、实践案例以及面临的挑战与解决方案，为金融科技从业者提供全面的参考。 实践案例 案例一：大模型助力智能信贷审批系统 某大型银行面临传统信贷审批流程繁琐、效率低下、风险评估不精准等问题，为了提升信贷业务的效率和风控能力，该银行引入了基于大模型的智能信贷审批系统。 自主决策与智能风控编排：未来的大模型将具备更强的自主决策能力，能够根据风险场景和业务需求，自动选择和组合不同的风控策略和模型，实现智能风控编排。 未来的风控将更加智能化、自动化、精准化，能够更有效地识别和控制各类金融风险。 金融机构竞争力重塑：大模型在金融风控中的应用将重塑金融机构的竞争力。
87010编辑于 2025-11-13 - 来自专栏AI SPPECH
智能金融风控中的大模型实践_03
本文系统探讨大模型在金融风控中的应用实践，包括技术原理、典型场景、实施案例、代码实现及挑战对策。 对于金融科技从业者、风控专家和技术决策者，本文将提供全面的技术参考和实践指导，助力构建智能化、精准化、实时化的新一代金融风控体系。 目录 概念解析 技术原理 核心应用场景 实践案例分析 代码演示 实施挑战与解决方案 未来发展趋势 结论 参考文献 概念解析 智能金融风控的定义与演进 智能金融风控是指利用人工智能技术，特别是机器学习和自然语言处理技术 本文系统分析了大模型在金融风控中的技术原理、应用场景、实践案例及实施挑战，为金融机构智能化转型提供全面参考。 通过持续技术创新和业务实践，推动金融风控智能化水平不断提升，最终实现风险可控、效率提升、体验优化的多赢局面。 参考文献 McKinsey. (2023).
1K10编辑于 2025-11-12 - 来自专栏可以叫我才哥
用Python实现智能风控
《智能风控实践指南-从模型、特征到决策》 ▲主编：蒋宏 ▲组编：融360模型团队 ▲编著：马海彪 王欢 王超 智能风控已经被提及了很多年，在业界也有诸多应用实践，但是，智能风控相关书籍中，能够阐述完整智能风控体系 经过十余年的沉淀，蒋宏老师以及他的团队将智能风控的核心方法、流程和应用实践整理成书籍出版，相信能够帮助到智能风控领域的从业者。 本书将方法论、智能算法、应用体系与实践案例结合：通过方法论指导应用，通过智能算法提升效果和效率，通过应用体系构建完善智能风控覆盖面，通过实践案例掌握智能风控全流程。 作者经历从传统风控到智能风控转型的全过程，以亲身实践系统全面的梳理智能风控发展的脉络，从理论和实践的角度给出了有价值的洞见，为希望理解和实施智能风控的读者提供了一份详实的路线图。 艾辉 融360技术总监，畅销书《机器学习测试入门与实践》《大数据测试技术与实践》作者 本书全面讲解了智能风控的模型、特征、策略三大核心内容，帮助全面理解智能风控在业务场景中的应用过程。
1.7K30编辑于 2022-11-11 - 来自专栏沃趣科技
风控为本创新驱动，券商如何实现智能风控加速？
如何融合信息技术与证券业务，不断地通过先进的科技手段，通过数据的汇聚和分析，通过智能化的探索，为各业务板块的核心竞争力赋能，是各大券商关注的重点。 合规风控始终是公司的首要核心竞争力，该券商不断推进全面风险管理体系建设，需要全方位提升主动合规风控管理能力，进而提升风险管理精细化、智能化水平。 而由于合规风控处于企业核心竞争力的高度，原风控数据积累10年，数据量已超30TB。 非现场风控平台各项报表和查询生成时间逐渐拉长。夜间批量任务越来越慢，部分任务出现超时失败现象。 02 原合规风控数据库数据量巨大，原有的传统的备份手段难以实现数据的实时保护。 价值提升 1 通过QData数据库云平台大幅提升了风控系统的业务效率，风控日终调度业务从原十几个小时缩短至1.5小时，性能提升10倍以上。
1.9K10发布于 2021-10-12 - 来自专栏SAMshare
风控ML | 风控建模的KS
我们这做风控模型的时候，经常是会用KS值来衡量模型的效果，这个指标也是很多领导会直接关注的指标。今天写一篇文章来全面地剖析一下这个指标，了解当中的原理以及实现，因为这些知识是必备的基本功。 不过这不影响我们去使用它，我们只需要知道在风控中是怎么实现的，并且在实际场景中怎么去使用它就可以了。就如上面我们说的，KS在风控主要是用于评估模型的好坏样本区分度高低的。什么是区分度？ 可以看下图： 从业务上来说，就是越往后的箱子，客户的质量越差，rate整体上呈现单调性，从而可以把大多数的坏人，直接从箱的维度上就可以区分开来了，在后续的风控策略使用体验上十分友好。 02 KS的生成逻辑 KS的生成逻辑公式也是十分简单： 好样本累计占比坏样本累计占比 在风控领域，我们在计算KS前一般会根据我们认为的“正态分布原则”进行分箱，一般来说分成了10份，然后再进行KS的计算 03 KS的效果应用 KS的值域在0-1之间，一般来说KS是越大越有区分度的，但在风控领域并不是越大越好，到底KS值与风控模型可用性的关系如何，可看下表： 004 KS的实现 首先我们来对上面展示的例子进行
5.8K31编辑于 2022-02-25 - 来自专栏数据猿
蚂蚁金服风控总监王黎强：智能风控助力新金融
本文为数据猿现场直播“蚂蚁金服风控总监王黎强：智能风控助力新金融”的发言实录。 以下是数据猿现场直播“蚂蚁金服风控总监王黎强”的发言实录： 事实上，阿里、蚂蚁大部分技术能力是通过在业务场景里解决一个又一个的具体问题所构建起来的，我们的智能风控体系也是一样。 第三阶段，大数据智能的风控体系，我们通过人工经验跟机器自身的学习，构建了一套智能化风控体系，这里面既做到了提前感知风险，又做到了风险自适应，而不是所有的风险防控去用人工的方式做修正，而更多的是通过机器智能的方式进行整个风控体系的自我修复 蚂蚁金服的智能风控体系有哪些核心的优势？我们总结下来有三个： 第一个优势，强大的技术跟算法。 举个例子，我们整个风控体系就像人的骨骼，数据是人的血肉，AI是人的大脑，三者有机结合在一起，构成了我们整个智能风控体系的框架。然后高效实时的运作起来，是蚂蚁金服智能风控体系的第一个优势。
3.4K61发布于 2018-04-25 - 来自专栏NebulaGraph 技术文章
Nebula 在 Akulaku 智能风控的实践：图模型的训练与部署
] 这次主要来介绍下 Nebula 在 Akulaku 智能风控的实践。 [Akulaku 的智能风控实践] 再者是图数据库选型这块，先来讲一下 Akulaku 在图数据库选型上踩过的坑。 [Akulaku 的智能风控实践] 上图右侧是并发数，左侧是 QPS。 [Akulaku 的智能风控实践] 下面来讲下图分析平台，主要围绕两块引擎：图数据库平台 Nebula Graph 和实时图计算引擎。 [Akulaku 的智能风控实践] 上图是图可视化的欺诈案例的分析，上图依旧是个示意图并非真实数据图。
1.1K21编辑于 2022-02-28 - 来自专栏LieBrother
何为风控
风控定义 风控是风险控制的简称，在百度百科中是这么定义风险控制的。 风控在我们日常生活中随时可见，小到账户登录验证码，都可以算是一种风控的手段。 这里我们着重了解下信贷下的风控，结合了场景的风控，则赋予了更多的意义。 信贷风控的目标是「利益最大化」，而不是没有风险，在风险和利润之间找到平衡，是信贷风控的核心。 ，以及在信贷场景下的风控如何实现，风控的目标永远是降风险，但不是一味地降，在不同场景下有不同的考虑。 文章例子参考《智能风控平台：架构、设计与实现》
2.6K21编辑于 2022-12-20 - 来自专栏SAMshare
风控ML | 风控建模的WOE与IV
「风控ML」系列文章，主要是分享一下自己多年以来做金融风控的一些事一些情，当然也包括风控建模、机器学习、大数据风控等相关技术分享，欢迎同行交流与新同学的加入，共同学习，进步！ 第一次接触这两个名词是在做风控模型的时候，老师教我们可以用IV去做变量筛选，IV（Information Value），中文名是信息值，简单来说这个指标的作用就是来衡量变量的预测能力强弱的，然后IV又是
4.4K20发布于 2021-11-30 - 来自专栏全栈程序员必看
信贷风控模型搭建及核心风控模式分类
一、当前风控模式现状 近年来，信用风险管理发展呈现出数据化、模型化、系统化、自动化和智能化的特点。传统的人工专家经验正逐步被模型与算法替代。 从商务智能的角度说，模型，评分，策略等都是为业务服务的，脱离了业务场景的模型和评分是无本之木，无源之水。脱离了业务场景谈模型的准确性，没有意义。 另外，风控模型在不同的阶段体现的方式和功能也不一样。 从资金的角度来看，风控模型是为了评估用户还款能力和还款意愿，反欺诈反作弊，防止用户薅羊毛和保证平台安全等功能；从行业的角度，互联网风控模型体现在消费金融／供应链金融／信用借贷／P2P／大数据征信等方面。 所以说，风控模型的计算策略和机制在一个公司属于绝密，规则除了核心的员工，其他人是不能知道风控规则的。 四、风控的核心 如果说金融产品的核心是风控，那么风控的核心是什么?
3.7K11编辑于 2022-08-14 - 来自专栏算法进阶
金融风控的迁移学习及实践(Tabular Data)
二、风控的迁移学习 回到金融风控任务，需要寄望于迁移学习的场景还是挺多的。很经常的，业务有扩展，引入了新的一个经营客群，而新的客群样本量刚开始肯定是很少的，这时就很需要借助下旧客群的数据。 而难点在于，风控领域很难像NLP领域那样的文字表示直接迁移，NLP中一个任务的文本表示可能就很适用另一文本任务。 风控面对的主要是结构化数据（Tabular Data），一个任务的数据组成、特征含义就很复杂多样了，尽管可以抽取出同一组特征表示，数据分布可能也是天差地别。这种情况下怎么做迁移学习呢？ 下面结合风控的信用评分卡的任务，具体介绍迁移学习方法及项目代码实践。 首先先做下任务的背景介绍。 信用评分卡是风控领域的核心任务之一，依据如个人基本信息、经济能力、贷款历史信息，用于判断借贷用户的按时还款的概率。
1.2K30编辑于 2023-08-28 - 来自专栏活动
DeepSeek 在金融风控中的特征工程实践
DeepSeek 作为一款强大的 AI 驱动平台，通过创新的特征工程实践，为金融风控提供了全新的解决方案。 1.1 金融风控的现状与挑战金融风控的核心目标是通过分析客户行为、交易模式和市场动态，预测潜在风险并采取相应措施。 特征工程在金融风控中的重要性2.1 特征工程的核心地位特征工程是机器学习流程中的关键环节，其质量直接影响模型性能。根据研究表明，特征工程对模型最终效果的贡献占比高达 60%-70%。 在金融风控场景中，特征工程的重要性更为突出，原因如下：数据噪声高：金融数据往往包含大量噪声和异常值样本不平衡：欺诈交易、违约事件等风险样本占比极低业务可解释性要求高：模型特征必须能被业务人员理解和信任2.2 ：特征存储成本随数据量增长而增加跨部门协作仍存在数据权限和理解差异新兴欺诈模式的特征捕捉能力需进一步增强DeepSeek 在金融风控中的特征工程实践展示了特征工程作为机器学习核心环节的价值。
1.3K22编辑于 2025-04-01 - 来自专栏全栈程序员必看
支付风控模型
二、基于规则的风控 规则是最常用的，也是相对来说比较容易上手的风控模型。从现实情况中总结出一些经验，结合名单数据，制定风控规则，简单，有效。 常见的规则有： 1. 它是其它风控模型的基础。实践中，首先使用已知的规则来发现存在问题的交易，人工识别交易的风险等级后，把这些交易作为其它有监督学习的训练数据集。 互联网金融风控离不开机器学习，特别是支付风控。 在各种支付风控模型中，决策树模式是相对比较简单易用的模型。 如下的决策树模型，我们根据已有的数据，分析数据特征，构建出一颗决策树。 这个过程，将在下一篇的风控架构中介绍。 五、模型评估 风控本质上是对交易记录的一个分类，所以对风控模型的评估，除了性能外，还需要评估“查全率”和“查准率”。 支付风控场景分析 ； 支付风控数据仓库建设 ； 支付风控模型和流程分析(本文)； 支付风控系统架构 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn
3.9K22编辑于 2022-08-11 - 来自专栏用户3246163的专栏
1.1 风控原则
02.1 评估对冲风险的优点和缺点 理论缺点：完美资本市场理论建议不对冲风险 完美资本市场不存在，分散化需要成本 完美资本市场理论忽略了金融灾难和破产的成本 由于定价复杂和不准确，所以对冲不是零和游戏 实践缺点 不要从核心业务分心 缺少知识和技术 成本高于实际风险 合规性成本，需要披露信息 实践优点 降低资本成本 减少会报盈利的波动性 提高执行力 节约购买传统保险的潜在成本 考题分析： ? 角色是审核和分析： 公司的风险管理政策 公司的周期风险管理报告 公司的appetite和对商业策略的影响 公司的内部控制 公司的金融报告和揭露 公司相关方的信息 任何内外部的审计报告 行业的公司治理最佳实践 竞争对手和行业的风险管理实践 考题分析 ? 会员应该用最高专业目标收集，分析和发布风险信息 熟悉当前通用的风险管理实践 保证沟通不包含错误信息 在分析和建议时区分客观evidence和主观opinion ?
3K60发布于 2018-09-14 - 来自专栏SAMshare
风控ML | 风控建模中怎么做拒绝推断
《风控建模中的样本偏差与拒绝推断》https://zhuanlan.zhihu.com/p/88624987 不过我也还是把他文章里的分类体系在这里重点再次分享一下。 06 总结一下 本文算是一个对拒绝推断的入门介绍了，让初涉风控模型的同学有一个相对来说比较清晰的全局认识，这里面涉及到的很多算法模型上的细节并没有展开来讲，因为我觉得这也会让阅读带来比较大的负担，公众号的文章还是要控制在几分钟内读完比较合适 Reference [1] 异常检测算法分类及经典模型概览 https://blog.csdn.net/cyan_soul/article/details/101702066 [2] 风控建模中的样本偏差与拒绝推断
2.9K30编辑于 2022-11-14 AI智能审计系统，企业风控的“超级大脑”
今天，我想和大家聊的，正是要颠覆这一切的“新物种”——AI智能审计系统。它不是简单的工具升级，而是一场思维革命，是企业风险管理的“超级大脑”。这个“超级大脑”到底牛在哪？ AI智能审计系统，不仅仅是一个产品，更是一个充满挑战和机遇的技术新大陆。 总而言之，AI智能审计系统，正在将审计师从“账房先生”升级为“风险策略师”，将企业的风险管理从“被动防御”升级为“主动智能”。
49210编辑于 2025-10-11- 来自专栏SAMshare
风控ML | 风控中的异常检测原理与应用
今天来介绍一下风控中的异常检测，从最基础的概念开始讲起，因为本人对这块的内容平时工作也做得不多，更多滴偏向于“纸上谈兵”，有什么说得不对的地方，也欢迎各位朋友指正～谢谢。 异常检测的概念 02 异常检测的难点 03 异常检测的分类及常见算法 01 异常检测的概念 异常检测（Anomaly Detection 或 Outlier Detection），又称为离群点检测，在我们风控领域很多地方都会用到
4.1K20编辑于 2022-04-12 - 来自专栏SAMshare
风控ML | 风控建模老司机的几点思考与总结
「风控ML」系列文章，主要是分享一下自己多年以来做金融风控的一些事一些情，当然也包括风控建模、机器学习、大数据风控等相关技术分享，欢迎同行交流与新同学的加入，共同学习，进步！
2K30发布于 2021-11-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号