在信贷业务的风控体系中，反欺诈始终是一个重要话题，与信用评估构成的贷前风控两大模块，对于贷前风险的防范控制发挥着决定性作用。反欺诈虽然在理解层面上感觉略显简单，但由于场景的复杂性与丰富度，使得反欺诈在研究开发过程中有一定难度，最为关键的是需要紧密结合实际业务场景的特点，且伴随外界环境因素的变化进行合理实践，这样的反欺诈策略才能有效识别欺诈风险，并实现较大程度的业务风险防御。
互联网欺诈的主要特点可以概括成“伪”与“冒”两个字，其中“伪”是制造不存在的，“冒”是盗用已存在的，任何欺诈行为都可以归为这两种表现形式。简单来讲，欺诈的主体是团体或个人，其目的自然是为了牟取利益，而采用的方法便是“伪”与“冒”，这也是互联网欺诈的核心特点。

1、欺诈风险的类型特点
在互联网欺诈中，根据欺诈实施主体的不同，可以划分为第一、二、三方欺诈，具体含义如下：
（1）第一方欺诈：欺诈主体为申请者本人，欺诈主体知情且获取收益；
（2）第二方欺诈：欺诈主体为业务方企业内部员工；
（3）第三方欺诈：欺诈主体为盗用别人身份信息欺诈的人群，非客户也非企业。

从利益得失角度来理解，互联网欺诈还可以划分为C2B、B2C、B2B三种类型，各类特点如下：
（1）个人骗平台：C2B，第一方欺诈；
（2）团伙骗个人：B2C，欺诈主体为团伙，损失方为个人，平台信誉损失；
（3）团伙骗平台：B2B，互金欺诈团伙，损失方为平台。

作为信贷风控体系的主要模块，欺诈风险与信用风险在贷前环节是相互共存的，虽然在风险控制理念、算法实现方式等方面有很多相似之处，但由于各自的本质属性与情景描述存在较大差异，因此在实际场景的理解与应用上有一定区别，主要表现在以下几个维度：
（1）概念定义：欺诈风险是指恶意骗贷的风险；信用风险是指借款人因各种原因未能及时、足额还款而违约的可能性。
（2）风险主体：欺诈风险是故意骗贷的人群；信用风险是非故意骗贷，因突发或暂时原因导致资金无法周转而逾期的客群。
（3）风控重点：欺诈风险是建立反欺诈策略与模型；信用风险是通过合理风险定价、额度调整防范风险。

2、欺诈定义与业务环节
对于反欺诈标签的定义，是实施反欺诈风控的重要前提工作之一，其主要思想是务必结合实际业务场景来确定合适逻辑的目标。不同业务场景具有不同欺诈类型表现，可以采用单一内部数据、单一外部数据，或者联合内部与外部数据，来有效定义欺诈目标群体。本文简要从贷前、贷中、贷后的风控全流程，来介绍下欺诈定义的几个主要参考维度：
（1）贷前申请数据：身份要素核验不一致、活体检测不一致、通讯录信息异常等；
（2）多头借贷数据：三方多头标签、多头欺诈名单、多头信用黑名单等；
（3）行为信息数据：运营商通讯信息、银联交易信息、电商网购信息等；
（4）贷后逾期数据：首逾且后期未还款、首逾3天以内还款但后期未还款等。

围绕以上欺诈目标定义的数据来源框架，我们从特征信息的细分角度，来进一步描述下反欺诈的重要关注环节，以及相应的防范措施。
（1）身份信息校验：OCR证件识别、人脸识别、活体检测、人证比对等；
（2）基本信息逻辑：年龄大小与学历程度不合实际正常逻辑等；
（3）手机号核验：二要素（姓名/手机号）、三要素（姓名/身份证号/手机号）；
（4）手机号验证：短信验证码、语音验证码、图形验证码、拖动滑块验证码等；
（5）银行卡核验：三要素（姓名/身份证号/银行卡号）、四要素（姓名/身份证号/手机号/银行卡号）；
（6）地址定位：申请地址GPS与手机设备GPS地址是否匹配、居住地址与工作地址的真实性与合理性等；
（7）设备指纹：设备关联的不同身份与地址、设备指纹相关欺诈规则等；
（8）运营商通话：非正常时间段内（凌晨）的通话次数、频率等；
（9）银行卡归属：银行卡归属地命中高危地区、银行卡号命中盗卡黑名单等；
（10）多头借贷：用户最近（1/3/6个月）申请贷款数量、注册借贷平台数量；
（11）风险名单库：内部黑名单、三方黑名单、司法涉诉名单、征信不良名单等；
（12）关系知识图谱：联系人是否命中黑名单、通讯录涉及风险关键词的数量等；
（13）人工信息电核：经验性对话判断、信息交叉检验等；
（14）贷中行为监控：手机使用、出行记录、电商交易、还款行为等。

3、反欺诈策略规则样例
线上信贷业务的通用流程，主要包括注册、登录、认证、绑卡、授信、放款、提现等，针对不同环节的欺诈风险，表现方式及其特点各有所异，因此为了有效实现信贷产品的反欺诈管理与实施，每个业务环节必然需要相应的反欺诈策略，这样才能满足风险精细化管理的需求。
针对反欺诈风控体系的架构与完善，我们接下来围绕信贷流程的几个主要环节，依次以具体样例描述下各模块的反欺诈策略规则，便于在实际反欺诈场景中作为信息参考与样例实施。
3.1 注册环节
3.1.1 防批量操作
（1）在1天内同一设备上注册使用IP数量>=N；
（2）在1天内同一设备上注册的账号数量>=N；
（3）在1天内同一设备上注册的手机数量>=N；
（4）在1天内同一设备上注册的邮箱数量>=N；
（5）在1天内同一手机号尝试注册账号次数>=N；
（6）凌晨0-6点时间内同一设备注册账号次数>=N；
（7）同一IP地址1小时内注册的设备数>=N；
（8）同一IP地址1小时内注册的账号数>=N；
（9）注册操作时间在凌晨1-6点且IP归属地为高危地；
（10）在1天内同一IP注册时间间隔<Ns；
（11）在1天内同一设备注册时间间隔<Ns；
（12）短信验证码输入时间<=Ns。

3.1.2 防虚假注册
（1）IP命中代理IP识别且手机归属地与IP对应城市不匹配；
（2）手机号命中虚拟手机号识别。

3.1.3 防短信轰炸
（1）在1天内同一手机号尝试注册次数>=N；
（2）在1天内同一手机号接收验证码次数>=N。

3.1.4 防失信风险
（1）命中金融失信名单；
（2）命中司法处罚名单；
（3）命中内部定义黑名单。
（4）命中三方数据黑名单。

3.1.5 防刷单风险
（1）羊毛党可疑分数>=N；
（2）羊毛党风险等级>=N；

3.1.6 异常设备注册
（1）注册设备安装模拟器识别；
（2）注册设备作弊工具识别。

3.2 登录环节
3.2.1 防账户盗用
（1）IP命中代理IP识别；
（2）登录操作时间在凌晨1-6点；
（3）在1小时内设备移动距离>=Nkm；
（4）在1小时内账户移动距离>=Nkm；
（5）在1小时内手机号移动距离>=Nkm；
（6）同一账户本次登录IP不是上次登录IP，且本次登录设备不是上次登录设备。
3.2.2 防暴力破解
（1）在1天内同一密码尝试登录不同账户>=N；
（2）在1天内同一设备尝试登录账户数量>=N；
（3）在1天内同一账户尝试登录密码次数>=N。
3.2.3 防拖库撞库
（1）设备2次登录时间间隔<=60s；
（2）账户2次登录时间间隔<=60s；
（3）在1天内账户登录的设备数>=N；
（4）在1天同一IP管理的账户数>=N；
（5）在1天内设备登录的IP数量>=N。
3.2.4 设备异常登录
（1）登录设备标识缺失；
（2）登录设备或账户异常；
（3）登录设备安装模拟器识别；
（4）登录设备作弊工具识别。

3.3 认证环节
3.3.1 防虚假认证
（1）同1天内同一设备关联不同姓名的身份证数量>=N；
（2）同1天内同一设备关联不同地域的身份证数量>=N；
（3）同1天内同一设备关联不同年龄的身份证数量>=N；
（4）同1天内同一手机号关联不同姓名的身份证数量>=N；
（5）同1天内同一手机号关联不同地域的身份证数量>=N；
（6）同1天内同一手机号关联不同年龄的身份证数量>=N；
3.3.2 防批量操作
（1）在1小时内同一IP提交认证次数>=N；
（2）在1小时内同一IP提交不同身份证号的认证次数>=N；
（3）在1小时内同一IP提交不同姓名的认证次数>=N；
（4）在1天内同一身份证号提交实名认证次数>=N；
（5）在1天内同一账户提交实名认证次数>=N；
（6）在1天内同一设备提交实名认证次数>=N。

3.4 绑卡环节
3.4.1 防盗用卡证
（1）绑定银行卡身份证与开户身份证不匹配；
（2）在1个月内同一账户绑定银行卡数量>=N；
（3）在1个月内同一账户关联绑定验证手机号数量>=N；
（4）在1个月内同一身份证关联验证手机号数量>=N；
（5）在1个月内同一验证手机号关联绑定身份证数量>=N；
（6）在1个月内同一身份证关联绑定银行卡姓名>=N；
（7）在1个月内同一银行卡关联绑定姓名>=N；
（8）在1个月内同一银行卡关联绑定身份证号>=N；
（9）在1个月内同一银行卡关联绑定手机号>=N；
（10）在1天内同一银行卡绑定关联的账户数>=N；
（11）在1天内同一银行卡绑定关联的设备数>=N；
（12）在1天内同一验证手机号绑定关联的账户数>=N；
（13）在1天内同一验证手机号绑定关联的设备数>=N；
（14）在1天内同一设备绑定关联的银行卡数>=N；
（15）在1天内同一设备绑定关联的手机号数>=N；
（16）手机号命中盗卡黑名单；
（17）手机号命中虚拟号码识别库；
（18）imsi与手机号不匹配；
（19）手机号当前地址与IP所属地址不匹配；
（20）身份证号命中盗卡黑名单；
（21）银行卡号命中盗卡黑名单。

3.5 授信环节
3.5.1 防身份盗用
（1）IP归属地与身份证归属地不一致（市级）且IP所在地在高危地；
（2）手机号归属地与身份证归属地不一致（市级）且IP所在地在高危地；
（3）身份证解析地与银行卡归属地不一致（市级）且手机号归属地在高危地；
（4）手机号归属地与IP所在地不匹配且IP所在地在高危地；
（5）IP归属地与银行卡归属地不匹配且手机号归属地在高危地；
（6）手机号归属地与银行卡归属地不匹配且IP所在地在高危地；
（7）身份证解析地在高危地；
（8）银行卡号归属地在高危地；
（9）银行卡号命中盗卡黑名单；
（10）手机号命中盗卡黑名单；
（11）身份证号命中盗卡黑名单。
3.5.2 防虚假申请
（1）手机号命中虚拟手机号识别；
（2）第一联系人手机号命中虚拟手机号识别；
（3）第二联系人手机号命中虚拟手机号识别；
（4）学历是硕士以上且身份证解析年龄是N以下；
（5）用户身份类型是学生且年龄在N以上；
（6）所属行业是金融且学历是高中以下；
（7）职位是总监及以上且学历是高中以下或身份证解析年龄小于18岁；
（8）手机号状态是关机；
（9）手机号状态是空号；
（10）手机号状态是欠费。
3.5.3 防重复借款
（1）X月内身份证号申请借款的网贷平台数>=N；
（2）X月内身份证号申请借款（含跨平台）的次数>=N。
3.5.4 防机构代办
（1）工作单位名称包含“担保”或“贷”或“中介”字符。
3.5.5 防失信风险
（1）身份证号命中金融失信名单。
（2）身份证号命中征信黑名单。

3.6 放款环节
3.6.1 防失信风险
（1）银行卡号归属地在高危地；
（2）银行卡号命中盗卡黑名单。

3.7 提现环节
3.7.1 防重复借款
（1）X月内身份证号申请借款的网贷平台数>=N；
（2）X月内身份证号申请借款（含跨平台）的次数>=N。
3.7.2 防身份盗用
（1）IP归属地与身份证归属地不一致（市级）且IP所在地在高危地；
（2）手机号归属地与身份证归属地不一致（市级）且IP所在地在高危地；
（3）身份证解析地与银行卡归属地不一致（市级）；
（4）手机号归属地与IP所在地不匹配且IP所在地在高危地；
（5）IP归属地与银行卡归属地不匹配；
（6）手机号归属地与银行卡归属地不匹配；
（7）身份证解析地在高危地；
（8）手机号归属地在高危地；
（9）银行卡号归属地在高危地；
（10）银行卡与授信银行卡不一致；
（11）手机号imsi验证结果为手机号与imsi不一致；
（12）IP归属地与手机号所在地位置比对不一致。
3.7.3 防账户盗用
（1）同一账户注册设备与提现设备不一致且注册IP与提现IP不一致；
（2）同一账户授信设备与提现设备不一致且注册IP与提现IP不一致；
3.7.4 防机构代办
（1）工作单位名称包含“担保”或“贷”或“中介”字符。

4、反欺诈开发方式
围绕反欺诈在业务场景中的实施应用，前边我们根据业务环节列举了100多条规则样例，这些可以理解为是反欺诈“策略”体系的表现形式。此外，从机器学习算法角度来讲，反欺诈的实践通常还会采用“模型”决策方式，也就是我们比较熟悉的反欺诈模型，相应的评分卡模型形式简称为F卡。
无论是欺诈风险防范，还是信用风险评估，策略与模型的开发及其应用，是风控体系内容的共同属性。对于反欺诈实现方式而言，通过策略或模型构建的反欺诈规则都是为了有效识别欺诈风险，但各自在具体实践过程中都会表现出本身的优缺点，这里简要概况下策略与模型的特点。
（1）策略优点：上手简单、较高性能、易于理解、部署简单、容易调整；
（2）策略缺点：一次切分、单规则覆盖度低、多规则易冲突、维护成本较高；
（3）模型优点：覆盖度较高、单变量敏感度低、整体稳定性好；
（4）模型缺点：需要一定算法能力、评价指标难以选择、建模调优耗费时间。
在实际业务场景中，反欺诈体系往往以策略形式居多，尤其是结合业务流程的特点部署应用较为丰富的风控规则，而对于模型来说，通常构建一个反欺诈评分模型基本满足风控需求，这样可以将策略与模型综合应用到反欺诈体系中，从而有效发挥各个风控规则的决策效果。对于线上反欺诈规则的应用过程，则需要定期监测其区分度与稳定度，这是风控体系内容的必要部分，也是从事信贷风控工作的重要理念。
关于反欺诈的相关内容，在我们的知识星球平台，还有一个相关的反欺诈的建模的内容可以学习。我们提供了python代码与样本数据，供大家参考学习，详情请移至知识星球参考相关内容。
​

…

~原创文章