1.金融这一块的算法，不像推荐系统，图像等领域，金融领域的算法都比较成熟了。现在来说门槛低，属于初期阶段，上升期。

2.反欺诈的数据标签比较少，有一种“标签染色”的方法来做反欺诈模型的标签。

3.常用反欺诈特征

用户基本属性

phone_nember

• 手机号前缀是否相同
• 手机号归属地是否相同
• 是否是虚拟运营商
• 流量卡还是通话卡

nickname

• 昵称符合固定的规律（中文+数字）
• 备注是否符合某种亲密的称呼

birthday

• 年纪
• 星座
• 生肖

sex

• 性别是否失衡

password

• 是否都相同

身份证号码

• 年龄 核对
• 性比 核对
• 城市

邮箱

• 是否是一次性邮箱
• username 满足规律
• 是否同一邮箱服务商
• 邮箱里面的数据（账单）

学历

• 相似性

住房

• 租房情况是否雷同

积分

• 是不是超过某个阈值

签到

• 相似性

ip

• 是否是同一个号段
• 每次登录ip地址是否相同
• 是不是临时ip 和 gps
• ip 和 gps 是否能对的上

gps

• 经纬度相似性分析
• 国家 省份 城市 相似性
• ip 和 gps 是否能对的上

wifi

• ssid
• wifi list
• 贷款前的几分钟有没有切换过wifi

application time

• 时间切片
• 注册用了多长时间（太快太慢都有问题）
• 一共申请了几次

login time

• 时间切片
• 登陆了几次、频率
• 最后一次登录时间距贷款时间的间隔
• 同一时间登录做一个校验（同一时间多人登录）

ua（user agent）

• 每次打开是否是同一个ua

渠道

• app/H5/微信
• 渠道ID属于违规渠道

app version

• 每次app的版本号是否相同
• app版本会不会太老了（老版本的app有bug，可能会被黑中介用来攻击我们）

推荐人/联系人

• 名字匹配
• 手机号匹配

设备指纹

imei

• 受否都相同
• 每次登录imei号是否都相同

device id

• 受否都相同
• 每次登录device id号是否都相同

分辨率

• 手机型号和屏幕分辨率是否一致

mobile type

• 手机品牌
• 手机型号

os（operating system）

• 每次打开操作系统是否都相同
• 来申请的人是否os都相同
• os的版本是否太旧

中文错别字可以考虑转换成拼音做相似度匹配

address

• 地址要标准化
• 模糊匹配
• 相似度计算（cos距离，词向量）

company

• 正则
• 字节拆分
• 关键字提取
• 相似度计算
• 错别字/同音字识别

第三方数据

人行征信

• 公司信息是否一致
• 学历是否一致
• 居住地址是否一致
• 手机号码是否一致
• 逾期数据

运营商

• 是否有相同的联系人
• 是否有黑名单客户在通讯录中
• 通话最频繁的几个人（所在地是否和他相同）

社保公积金

• 工资
• 社保
• 公积金

4.滴滴滴水贷款只给滴滴司机放款

5.单变量分析：分析这个变量在我们研究的问题当中有没有帮助。

6.决策树算法，决策树就是模拟人类决策过程思想的模型

决策树的生成只考虑局部最优，剪枝考虑全局最优

7.逻辑回归的例子

线性回归：变量乘以系数

逻辑回归：变量乘以系数再经过一个类似于sigmoid的函数

8.信息熵是度量样本集合“纯度”最常用的一个指标

9.风控的技术要求比较低