綜合
一：什么是風控審核標準呢
(資料圖片)
二：什么是風控審核黑名單
寬帶風控是指針對寬帶網絡用戶的安全狀態，通過網絡技術手段采集數據，進行風險智能分析和監控，實現信息安全風險控制管理的過程。寬帶風控主要是對寬帶網絡中的黑客攻擊、病毒傳播、僵尸網絡、釣魚欺詐、有害信息等惡意行為進行實時監測和全面管理。
寬帶風控包含以下方面：
1. 安全加固規范和設備統一管理：對寬帶用戶采取防火墻、 VPN、入侵檢測等多種手段，以防止非法入侵和網絡攻擊。
2. 惡意網站數據篩查：篩查有害的網絡信息，禁止非法行為，比如網站黑名單、IP阻止等。
3. DDoS攻擊防護：通過流量分析、數據包過濾、源地址檢測等技術手段，剔除無效流量，減少DDoS攻擊產生的影響。
4. 用戶網絡行為監測：對寬帶網絡中的用戶進行監管，及時發現及處理存在的安全隱患。
總之，寬帶風控是指對寬帶網絡中的安全隱患進行監管和分析，從而加強對網絡的安全管理和控制。這對于網絡服務提供商和個人或企業用戶都有很大的意義，可以保證網絡的安全和穩定運行。
三：什么是風控審核員
前幾天一位網友整理了一份面試題目，主要是偏風控模型崗，看了一下整理得很全面和實用。之前也整理過幾份面試題，這次繼續整理一下，希望能幫助一些需要的同學。之前寫面試相關的問題：
一份很全的風控面試題（見
信貸風控模型崗的一些經驗（見
1.進件渠道(60%會問到)
線上業務：信息流、貸超、APP、
線下業務：地攤導流、網點進件、合作企業團辦、客戶自己申請等
2.策略制定的步驟(20%會問到)
策略主要是根據業務中的風險點，尋找有效的特征進行防范。將變量進行特征重要性排序，用排名較高的/高IV的變量用作策略，一般命中策略的壞樣本濃度要達到3倍以上，同時也要按月回溯策略的命中率和逾期率，盡可能少影響通過率的情況下框住壞的客群。弱變量/低IV的變量可以放到模型中，同時要注意策略用到的變量和模型用到的變量盡量不要有相似的，這樣可以減少策略與模型的耦合。
3.貸前策略包括哪些數據(80%會問到)
一般數據源類型分為決策類和排序類。決策類有黑名單類(多頭、逾期、黑產、失信、罪犯等)，驗證類(學歷、社保公積金、運營商實名與在網時長、地址信息、收入信息等)，刻畫類(
4.說說策略是怎么做優化的？(100%會問到)
策略調優分為幾步：
(1). 確認是A類調優還是D類調優。
D類就是降逾期指標，在通過客群中找差客戶拒絕；A類就是提通過率回撈，在拒絕的客群中找好客戶通過。
(2). 量化分析調優閾值。
D類調優離線即可完成分析，根據逾期指標選定Y(FPD1/FSTPD1/M4+等)，比較逾期指標上升前后的客群異，找到逾期率發生變化的原因。然后尋找單變量或者組合變量進行分析，識別出逾期率較高的客戶進行拒絕。
A類調優需要決策引擎標記豁免樣本，比較通過率下降前后的客群差異(新老客戶/新老資產/渠道變化等)，尋找拒絕率較高的可放松的拒絕規則，放松閾值進行AB測試。
(3). 預測策略調整的效果
根據歷史數據回溯每月數據，分析策略調整對通過率、逾期率的變化。
(4). 調整后觀察和驗證結果是否與預期一致
試驗一段時間后，對上與不上策略的樣本進行vintage分析，觀察策略上線是否對逾期指標有影響以及影響是否與預測一致。
5.怎么做數據清洗的？(80%會問到)
缺失值處理：缺失值處理的 *** 有剔除、填補以及不處理三種方式。
異常值處理：了解異常值出現的原因，根據實際情況決定是否保留異常值。
常變量/同值化處理：對同值較高或者方差較低的變量作剔除。
分類變量降基處理：分類變量可以根據bad_rate編碼后再做分箱，也可以將少數類合并成一類，確保每一類中都有好壞樣本。
6.怎么做特征衍生的?(60%會問到)
RFM *** 。
R（Recency）：客戶最近一次交易消費時間的間隔。R值越大，表示客戶交易發生的日期越久，反之則表示客戶交易發生的日期越近。
F（Frequency）：客戶在最近一段時間內交易消費的次數。F值越大，表示客戶交易越頻繁，反之則表示客戶交易不夠活躍。
M（Monetary）：客戶在最近一段時間內交易消費的金額。M值越大，表示客戶價值越高，反之則表示客戶價值越低。
常規統計特征：統計函數最大值、最小值、平均值、標準差來描述以上分布特征。
時間距離特征：客戶最遠一次、最近一次或者某個特殊事件發生的時點。
行為波動特征：刻畫客戶某段連續時間內的行為變化特征。
集中度特征：用以刻畫客戶行為的偏好程度。
轉自知乎求是汪《信貸時序數據與特征工程介紹》
舉一些根據征信報告還款歷史衍生的例子：
近3個月總逾期次數、近6個月最大連續逾期次數、最近1次逾期距今月數、近12個月逾期連續增加次數、近12個月逾期增加次數、近12個月每兩個月之間增長的最大值、近12個月取最大值距今月數等。
7.怎么做特征篩選的？(60%會問到)
特征選擇的話常見的有IV值、相關系數、穩定性CSI、邏輯回歸系數一致、邏輯回歸變量顯著性、xgb特征重要度。邏輯回歸評分卡篩選變量的步驟案例如下：1、保留IV值大于0.02的變量，共500個;2、把初篩的到的量進行WOE編碼；3、變量間兩兩相關檢驗并篩選，刪除相關性大于0.7的變量400個，剩余100；4、變量穩定性檢驗，把穩定性大于0.05的變量刪除，剩余60個；5、逐步回歸法篩選最終入模變量，剩余入模變量10個。
8.怎么做特征分箱的？（60%會問到）
類別型變量進行降基處理(看是否需要)后分箱；
數值型變量等頻分箱、等距分箱、決策樹分箱、卡方分箱、手工分箱。
分完箱之后看woe與壞賬率是否單調或者符合業務意義，如不符合再手動進行調整。
9.目標變量怎么定義?(100%會問到)
貸前模型的Y主要通過vintage和遷徙率。vintage確定觀察期，遷徙率確定逾期多少為壞。
10.模型是怎么調參的?
先用交叉驗證 *** 初步檢驗模型可以達到的上限，作為baseline，調參 *** 可以從訓練速度、精度、過擬合三個方面回答，一般用網格搜索或者貝葉斯優化。調參可以看之前寫的筆記xgboost調參小結或者網上搜索一下，步驟都差不多。
11.有沒有ks允許變動的范圍？（40%會問到）
投產后ks一定會有個衰減，因為上線后的客群是通過評分切過一刀的，區分能力上肯定不如建模樣本。一般投產后的ks最低要在0.2以上，ks的衰減和通過率的影響也有關系。如果上線后通過率降低得多，ks衰減得也多。
12.模型會做哪些監控？（40%會問到）
模型監控主要分為前端監控和后端監控。前端分析主要
前端監控主要是監控開發樣本和現有樣本分數的差異程度，模型第一要穩定，無論是分數的穩定還是變量的穩定，特別是重要性強的特征，它們分布的微小變動都會造成模型分數的偏移。監控指標有PSI、CSI。PSI有經驗閾值，CSI沒有，不同特征之間的CSI沒有可比性。當特征的CSI為正時，表明該特征分布變化使模型得分往高分偏移，當CSI為負時則相反。
實踐中，我們一般會先觀察PSI，如果PSI顯示模型分數不穩定，那么此時再去觀察CSI，從特征級分析原因。如果模型穩定且只是個別變量不穩定的話就沒事，如果是多個變量不穩定就要考慮根據特征相關性，替換成IV值相對較高的那個變量等。
后端分析有vintage分析和滾動率分析，可以分析出模型上線前后風險的差異，以及模型壞樣本的定義是否準確。先利用滾動率分析確定訓練目標（例如M3+），然后利用Vintage分析確定表現期（例如6個月），最后限定表現期大于等于6個月的樣本用于模型訓練。
后端分析因為有了樣本表現，還可以監控模型的排序性和區分能力的變化情況。排序性的監控指標有Bad Rate、Odds、Lift等指標；區分能力的監控指標有AUC、Gini、KS。
此外，模型監控還有拒絕樣本瀑布流分析、撤銷分析、一致性分析等。拒絕瀑布流分析是對申貸過程中每個環節拒絕流量變化進行分析，反映了整體流程的穩定性；撤銷分析是對被模型通過但是被信審拒絕人群的拒絕原因進行分析；一致性分析是分析模型決策與策略決策（不使用模型分的策略規則）的一致性，即模型決策過程中認為的壞樣本，策略決策過程中是否也認為是壞樣本。
摘自知乎
https://zhuanlan.zhihu.com/p/95797653
13.匯總一些指標的閾值
以下閾值為參考，可結合實際情況作調整。
lift:作規則時>3
多重共線性:VIF<=10
相關系數：<0.7
IV:>0.02
KS:0.2-0.5，訓練集和測試集的KS相差在3%以內
PSI:<0.25
邏輯回歸要檢驗系數符號一致性，否則分數和bad_rate會無法解釋。
暫時就寫這么多，以上問題如有不同見解或者補充的，歡迎交流討論~
關鍵詞：
版權與免責聲明：
1 本網注明“來源：×××”（非商業周刊網）的作品，均轉載自其它媒體，轉載目的在于傳遞更多信息，并不代表本網贊同其觀點和對其真實性負責，本網不承擔此類稿件侵權行為的連帶責任。
2 在本網的新聞頁面或BBS上進行跟帖或發表言論者，文責自負。
3 相關信息并未經過本網站證實，不對您構成任何投資建議，據此操作，風險自擔。
4 如涉及作品內容、版權等其它問題，請在30日內同本網聯系。
