自动化风控策略生成：基于决策树的方法

风控策略挖掘常依赖人工经验，效率低且难以覆盖复杂组合。决策树算法能自动从数据中生成IF-THEN规则，替代人工分析。本文通过信用卡审批案例，详解决策树如何计算熵、信息增益并递归分裂，最终产出可解释策略，并探讨其应用场景与局限。

一、背景

风控策略同学在挖掘有效的风控规则时，常常需要基于业务经验去思考”哪几个特征组合起来能识别风险”，这在特征组合的过程中会浪费大量时间。我们有没有什么方法能替代人工分析，直接得出策略组合呢？决策树就是其中一个选择，它可以自动化地挖掘大批量的策略组合。

通过决策树模型算法，我们可以提取准确率比较高的叶子节点，作为风控策略挖掘手段，替代或辅助人工，大大提高策略发现的效率和效果。

假设这样一条策略：

IF征信逾期次数 > 1AND月收入 ≤ 3000AND负债比 > 0.5THEN拒绝

过去这样的规则靠策略同学人工凭经验组合特征、拉数验证、反复调优。当特征数量上升到几十上百个时，人力很难覆盖所有可能的组合，而实际有效的规则往往是 4-5 个字段的复杂组合，靠人拍脑袋想出来的概率很低。

二、决策树的核心理念

决策树本质上是一个自动学习出来的”追问流程”。它从全部数据出发，不断寻找一个问题把人群分成两半，让分出来的两组尽可能”纯”（要么好客户扎堆，要么坏客户扎堆）。

训练完成后，决策树是一棵二叉树。从根节点到每一片叶子的路径，就是一条 IF-THEN 规则。一棵有 N 片叶子的树，就自动生成了 N 条候选策略。

决策树的生长过程

构建决策树是一个不断寻找最优特征进行划分的递归流程：

三、完整案例：信用卡审批策略生成

假设我们是一家银行，有10，000 条历史客户数据，每条包含 3 个特征和”是否违约”标签，目标是自动生成一套审批策略。

场景设定

全局分布：总样本 10，000 · 未违约客户 7，000（70%） · 违约客户 3，000（30%）

第 1 步：计算全局初始熵

熵值公式：H = -∑（pᵢ × log₂ pᵢ），衡量当前人群的”混乱度”，熵越低越纯。

H（全局） = -（0.7 ×log₂0.7 + 0.3 ×log₂0.3）

= -（0.7 × （-0.5146） + 0.3 × （-1.7370）

= 0.8813

这个0.8813是基准线，后续所有划分都要和它比较，看谁能把熵降得最多。

第 2 步：分别尝试每个特征作为根节点

算法依次用”月收入”“征信逾期次数””当前负债比”来划分数据，分别计算它们的信息增益（划分前熵 − 划分后熵），谁最大谁就是根节点。

1）尝试用”月收入”划分（最佳切分点 ≤ 3000）

A 组熵 H（A） = -（0.85×log₂0.85 + 0.15×log₂0.15） = 0.6098

B 组熵 H（B） = -（0.6625×log₂0.6625 + 0.3375×log₂0.3375） = 0.9225

加权平均熵 = （2000/10000）×0.6098 + （8000/10000）×0.9225 = 0.85996

信息增益 = 0.8813 − 0.85996 = 0.02134

2）尝试用”征信逾期次数”划分（最佳切分点 ≤ 1 次）

A 组熵H（A） ≈0.6300

B 组熵H（B） ≈0.9852

加权平均熵 = （6500/10000）×0.6300+ （3500/10000）×0.9852=0.7543

信息增益 =0.8813−0.7543=0.1270

这个增益（0.1270）远大于”月收入”的增益（0.02134），说明”征信逾期次数”的区分能力更强。

3）尝试用”当前负债比”划分（最佳切分点 ≤ 0.5）

A 组熵H（A） =0.7219

B 组熵H（B） =0.9921

加权平均熵 = （6000/10000）×0.7219+ （4000/10000）×0.9921=0.8299

信息增益 =0.8813−0.8299=0.0514

补充：切分点（比如“月收入 ≤ 3000”）是怎么定出来的？

上面每个特征都说”最佳切分点是 XX”，这个切分值本身是怎么找出来的？

其实选择切分点有多种方式（等距分箱、等频分箱、卡方分箱、决策树自身的贪心搜索等），不同实现方式各有取舍。这里介绍其中最常见的一种 ——贪心搜索，拿”月收入”举例：

• 把所有样本按月收入排序

（1500， 1800， 2500， 3000， 3200， 5000， 8000…）

• 在相邻两个值之间选一批候选切分点

（比如取中点：1650， 2150， 2750， 3100， 4100…）

• 对每个候选切分点计算一次信息增益

选增益最大的那个作为该特征的最佳切分点。

所以”月收入 ≤ 3000″不是拍脑袋决定的，而是算法在候选切分点中挑出来的、能让好坏客户分得最开的那个值。离散特征（如逾期次数）则直接把每个取值当候选切分点，道理是一样的。

实际工程中，面对海量数据还会做各种优化（比如先分箱缩减候选数量、增量式计算增益等），核心思路不变 —— 都是”选一批候选点 → 挨个算一遍 → 选最好的”。

第 3 步：确定根节点

汇总三个特征的信息增益：

结论：选择“征信逾期次数 ≤ 1 次”成为根节点。

根节点把 10000 人分成两拨：

左子节点（逾期 ≤ 1 次）：6，500 人，违约率 15.38%，熵 0.6300

右子节点（逾期 > 1 次）：3，500 人，违约率 57.14%，熵 0.9852

第 4 步：递归分裂子节点

根节点确定后，算法在两个子节点内部重复上面的整个流程（计算当前熵 → 遍历特征和切分点 → 选增益最大的继续分裂）。

左子节点（逾期 ≤ 1 次）继续分裂

尝试 “月收入 ≤ 3000”：

信息增益 ≈0.0410

尝试 “负债比 ≤ 0.4

信息增益 ≈0.0520

对比结果：”负债比 ≤ 0.4″的增益更大，左子节点选择”负债比 ≤ 0.4″继续分裂。

右子节点（逾期 > 1 次）继续分裂

尝试 “月收入 ≤ 3000”：

尝试 “负债比 ≤ 0.5”：

计算后，”月收入 ≤ 3000″的增益更大，右子节点选择”月收入”继续分裂。

注意左右子节点选了不同的特征、不同的切分粒度（左边负债 ≤ 0.4，右边月收入 ≤ 3000）—— 这正是决策树”自适应粒度”的体现：同一特征在不同子集里，最优切分点可以完全不同。

第 5 步：停止条件

树不能无限生长，否则会过拟合（在训练数据上表现好，但拿到新客户就失效）。我们预设几条停止规则：

• • 节点违约率< 10%→ 直接生成“通过”策略，停止分裂
  • 节点违约率> 60%→ 直接生成“拒绝”策略，停止分裂

• 节点样本数< 500→ 样本太少不可信，停止分裂
• 最大深度限制为3 层

按照这些规则：

“逾期 ≤ 1 AND 负债 > 0.4″这个中风险节点会继续用”月收入”分裂到第 3 层。

第 6 步：生成最终策略树

把每一片叶子的”根 → 叶”路径拼起来，就是一条 IF-THEN 规则：

四、总结

本文小结

整个过程算法没有依赖任何人工经验或预设规则，纯粹通过数学计算，从数据中自动挖出了一套可解释、可执行的策略体系。回顾一下：

决策树在风控中的核心定位是候选策略生成器，而非最终决策者。它主要应用于三类场景：新业务冷启动时快速生成底线规则、辅助策略同学挖掘人工难以想到的字段组合，以及满足强解释性需求（规则可直接转SQL上线，便于审计与监管）。

但其局限也很明显：容易过拟合、模型稳定性较差、贪心搜索策略难以保证全局最优，且单棵树规则同质化严重。

对此，常用优化方向包括采用随机森林或XGBoost丰富规则来源、特征采样提升多样性、规则合并去重建立规则库、结合业务专家进行合规Review，以及上线后通过A/B测试和效果衰减监控实现持续迭代。

决策树负责挖掘候选组合，而挑选、评估、上线与监控仍由人主导。

后续我们还会扩展其他自动化策略生成的方法。

风险小剧场

千里之堤，溃于蚁穴。

风险启示：风险的最大特征不是突然爆发，而是平时被当成“没事”的那些微小漏洞，在临界点上集体失控。

本文由 @风控PM说 原创发布于人人都是产品经理。未经作者许可，禁止转载

题图来自Pixabay，基于CC0协议