1.金融這一塊的算法，不像推薦系統，圖像等領域，金融領域的算法都比較成熟了。現在來說門檻低，屬于初期階段，上升期。

2.反欺詐的數據標簽比較少，有一種“標簽染色”的方法來做反欺詐模型的標簽。

3.常用反欺詐特征

用戶基本屬性

phone_nember

• 手機號前綴是否相同
• 手機號歸屬地是否相同
• 是否是虛擬運營商
• 流量卡還是通話卡

nickname

• 昵稱符合固定的規律（中文+數字）
• 備注是否符合某種親密的稱呼

birthday

• 年紀
• 星座
• 生肖

sex

• 性別是否失衡

password

• 是否都相同

身份證號碼

• 年齡 核對
• 性比 核對
• 城市

郵箱

• 是否是一次性郵箱
• username 滿足規律
• 是否同一郵箱服務商
• 郵箱里面的數據（賬單）

學歷

• 相似性

住房

• 租房情況是否雷同

積分

• 是不是超過某個閾值

簽到

• 相似性

ip

• 是否是同一個號段
• 每次登錄ip地址是否相同
• 是不是臨時ip 和 gps
• ip 和 gps 是否能對的上

gps

• 經緯度相似性分析
• 國家 省份 城市 相似性
• ip 和 gps 是否能對的上

wifi

• ssid
• wifi list
• 貸款前的幾分鐘有沒有切換過wifi

application time

• 時間切片
• 注冊用了多長時間（太快太慢都有問題）
• 一共申請了幾次

login time

• 時間切片
• 登陸了幾次、頻率
• 最后一次登錄時間距貸款時間的間隔
• 同一時間登錄做一個校驗（同一時間多人登錄）

ua（user agent）

• 每次打開是否是同一個ua

渠道

• app/H5/微信
• 渠道ID屬于違規渠道

app version

• 每次app的版本號是否相同
• app版本會不會太老了（老版本的app有bug，可能會被黑中介用來攻擊我們）

推薦人/聯系人

• 名字匹配
• 手機號匹配

設備指紋

imei

• 受否都相同
• 每次登錄imei號是否都相同

device id

• 受否都相同
• 每次登錄device id號是否都相同

分辨率

• 手機型號和屏幕分辨率是否一致

mobile type

• 手機品牌
• 手機型號

os（operating system）

• 每次打開操作系統是否都相同
• 來申請的人是否os都相同
• os的版本是否太舊

中文錯別字可以考慮轉換成拼音做相似度匹配

address

• 地址要標準化
• 模糊匹配
• 相似度計算（cos距離，詞向量）

company

• 正則
• 字節拆分
• 關鍵字提取
• 相似度計算
• 錯別字/同音字識別

第三方數據

人行征信

• 公司信息是否一致
• 學歷是否一致
• 居住地址是否一致
• 手機號碼是否一致
• 逾期數據

運營商

• 是否有相同的聯系人
• 是否有黑名單客戶在通訊錄中
• 通話最頻繁的幾個人（所在地是否和他相同）

社保公積金

• 工資
• 社保
• 公積金

4.滴滴滴水貸款只給滴滴司機放款

5.單變量分析：分析這個變量在我們研究的問題當中有沒有幫助。

6.決策樹算法，決策樹就是模擬人類決策過程思想的模型

決策樹的生成只考慮局部最優，剪枝考慮全局最優

7.邏輯回歸的例子

線性回歸：變量乘以系數

邏輯回歸：變量乘以系數再經過一個類似于sigmoid的函數

8.信息熵是度量樣本集合“純度”最常用的一個指標

9.風控的技術要求比較低

?