從早期的網上銀行到今天的手機銀行，銀行積累了大量的風控手段，繼續按原路徑走下去是否可行？我們的結論是，現在已經到了必須變革的時候。原因在以下幾點：

1.客戶體驗與傳統風控存在重大矛盾。以前的風控措施往往是“前重后輕”，客戶負擔很重，銀行負擔相對較輕，把麻煩留給客戶，把方便留給銀行，本質上是以犧牲客戶體驗換取銀行的風險可控。以銀行業長期引以為榮的證書為例，客戶需要申請、激活、更新，需要隨身攜帶，需要電腦或手機兼容等等，不勝其煩。但是，證書的實際風控效果并不理想，進程注入、遠程控制等作案手段仍大行其道，對受騙客戶的本人操作更是沒有效果。今天，習慣了互聯網公司產品的客戶，對銀行的風控措施愈發難以忍受，銀行繼續堅持傳統風控手段，幾乎等同于拋棄客戶。

2.反欺詐責任主體不明。以前的風控措施往往只把自己的職責范圍定位在防偽冒上，即非客戶本人操作。對于因欺詐造成的客戶本人操作普遍關注度不高，本質上是把反欺詐責任推給了客戶。坦率講，詐騙分子的手段越來越高明，即使是專業人士也未必能保證自己不受騙，指望銀行客戶都能識別騙術更是天方夜譚。從社會責任看，雖不能靠銀行堵截住所有詐騙，但作為社會資金的主要通道，銀行應盡全力履行反欺詐義務。從商業競爭看，如果一家銀行能夠大幅降低客戶的受騙概率，也就贏得了市場優勢。

出于以上考慮，招行對新一代風控系統提出了具體目標：首先是盡量減少客戶的麻煩，盡量不增加客戶的設備成本和兼容性要求，因此我們的手機銀行一開始就摒棄了證書方案。二是盡量簡化客戶操作，最好能做到客戶對風控措施無感知，在靜默中堵住每一個作案者，放行每一位合法客戶。三是要把詐騙納入控制范圍，哪怕是由于客戶自身過失造成的密碼泄露，甚至受騙后主動轉賬，也要爭取堵住資金損失。要達到這樣的目標，方案幾近惟一：基于客戶行為的大數據風控。

1.實時性。招行有億級用戶，哪怕只計算客戶一個月的歷史行為，大數據量的處理也是一個難題，而且還要求基本不影響交易。必須在100毫秒以內得出結果，否則將造成大面積的服務中斷或堵塞，這些都要求新一代風控系統的架構與傳統數倉不同。

2.風險特征的發現能力。在如此之大的數據量下，專家經驗難以支撐，何況專家經驗需要依賴對已知風險事件的分析，存在滯后性。在此客觀挑戰下，基于機器學習的智能風險特征發現是不得不走的路。

3.多渠道聯動能力。當下的風險事件往往產業鏈化，從作案前的探索銀行業務薄弱點，到作案時的偽冒欺詐交易，再到作案后的資金轉移，分散在不同的人和渠道上，潛伏和作案之間的時間跨度很大，如果銀行風控系統不能在被放大的時空環境下追蹤線索，風控能力短板將非常明顯。

4.風控策略的靈活調整能力。此挑戰是針對市場上商品化的風控系統而言，這些系統調整策略確實簡單，往往只需業務人員對參數作少量配置，如同傻瓜相機一般。對招行而言，這種沒有源碼級控制能力的傻瓜式風控系統缺乏靈活性和策略深度。

針對以上挑戰，我們對新一代反欺詐平臺技術架構的要求很明確：實時、智能、統一、靈活。

1.高維建模。主要針對傳統風控系統特征發現能力偏弱的問題。反欺詐模型通過分析客戶行為數據達到區分欺詐交易和正常交易的目的，傳統分析思路通常采取抓大放小的策略，在特征值篩選過程中僅提取最具區分度的統計信息，放過大量弱相關信息。這樣的策略，對于新型欺詐方式和長尾欺詐方式的識別能力是不足的，而放大數據的維度，往往能有效解決這個問題。

對每筆交易，目前我們能直接獲取100個左右的變量，在這樣偏低維向量表示的空間中，欺詐交易與正常交易的區分度并不明顯。我們在直接變量的基礎上，通過計算高階變量、組合業務變量和細分結果分類的方法，把反欺詐系統的輸入向量維度放大到2000個左右，風險特征的發現能力大大提高。

2.社區發現。主要針對風險事件機器學習中的監督學習困境問題?？蛻舴诸愐恢笔秋L控系統的基礎問題，最傳統的方法是基于客戶特征計算出客戶標簽，進步一些的是基于有標簽客戶的訓練樣本進行有監督的機器學習，但此方法會遇到客戶標簽依賴人工經驗的問題和新標簽不能自動產生的問題。招行借鑒聚類算法的思想，綜合機器學習算法和業務特征算法，主要涉及特征工程、信任評分、圖構建及社區發現四項技術，計算客戶在高維空間中的距離，進而得到客戶的聚集區，使得合法客戶和非法客戶在高維空間中明顯可分，新出現的異常行為也會在高維空間中表現為離群點而被自動發現。

3.遷移學習。主要針對機器學習的風險事件數量不足問題。我們的主要欺詐事件來自互聯網，但相比海量的合法交易事件，欺詐事件數量微不足道，對機器學習而言訓練樣本數據太少，不是一個好的應用環境。針對此問題，我們補充了線下POS刷卡數據，同時采用基于樣本的遷移學習和基于特征的遷移學習方法，捕獲了線下線上的一些共性風險特征，最終使風險事件發現召回率得到個位數的提升。

4.生物探針。前述技術特性都是以銀行端記錄的客戶行為數據為基礎，偏向客戶行為的宏觀表達。但實際上，在手機銀行客戶端可以發現客戶行為的微觀表達，以更細的粒度去刻畫客戶，在風控效果上也更明顯。我們的思路是記錄客戶的手在手機銀行上的操作信息，如按壓力度、移動速度、傾斜角度等等，對每一個客戶操作的細微特征建模，從而區分本人還是非本人操作。實踐結果表明，客戶的微觀操作行為差異很大，這樣的生物識別區分度非常明顯。相對于人臉識別、指紋識別這些常規生物識別手段，我們的生物探針真正做到了客戶無感知的身份鑒定，完全不干擾客戶體驗。

招行自2015年開始投入大量人力物力，基于大數據及人工智能技術建設新一代實時智能反欺詐平臺。目前，每天平均訪問量約5000萬筆，平均響應時間30ms。2017年第一季度上線后，我行否認交易筆數較去年同期下降82.11%，否認金額BP同比下降96.40%，客戶整體資損率約1%，顯著優于銀行業萬分之1.99的平均資損率。風險案件得到了有效遏制，社會經濟效益顯著。

此外，新平臺也帶來了客戶體驗的明顯改善?；谄脚_對每筆交易的風險判斷，我們對低風險交易降低核身要求，大大減少了短信驗證碼、人臉識別等高門檻核身操作，同時安全性更高。以最常見的短信驗證碼為例，由原先的筆筆驗證碼變成了目前的僅15%需要驗證碼，而登錄僅5%需驗證碼，客戶操作更為流暢。

新一代反欺詐平臺支撐了我們今天的業務，但未來仍然面臨諸多挑戰。更高的系統可用性，更大的數據處理能力、更敏銳的風險特征發現算法等等，都是我們的目標。網絡攻防是一場永無終場的戰爭。