金融风控这个方向，面试时被问倒的地方往往很集中：SQL 写得不够快、特征工程讲不清业务含义、评分卡只会调包不会解释、遇到样本极度不均衡就束手无策。这门小班课六个阶段的安排，基本就是冲着这些具体缺口去的。如果你正在准备风控岗的笔试面试，或者已经在岗但模型上线后总被业务追问"为什么拒绝这个人"，可以先看看下面这几个问题自己能不能答上来，再决定要不要跟。

先自查：这些基础会不会拖后腿

第一阶段讲金融风控技术基础，不是泛泛介绍行业，而是要把信贷业务流程、贷前贷中贷后的划分、通过率与坏账率的权衡关系这些概念落到能算、能说的程度。很多人转岗时卡在这里：知道 A 卡 B 卡 C 卡的说法，但说不清一张申请评分卡从样本定义到上线监控中间要过几道关。这一阶段还涉及风控里常用的指标口径，比如 KS、AUC、PSI 分别在什么场景下看、数值多少算异常。这些不是背概念，而是要能在面试里结合一个具体业务场景讲出来。

HiveSQL 和特征工程：风控日常真正花时间的地方

第二阶段单独拿出来讲 HiveSQL 与特征工程，很符合实际工作的耗时分布。风控建模里，写模型代码可能只占两成时间，剩下八成在做宽表和特征。这里要练的是窗口函数、多表关联、时间切片取数这类高频操作，以及在亿级明细上把原始行为日志加工成可用变量的思路。特征工程部分会涉及共线性和多重共线性的判断、WOE 与 IV 的计算逻辑、分箱的几种策略。看完这一段，你应该能回答：为什么风控里习惯用 WOE 而不是直接放原始值？IV 值多高算有用、多高反而要警惕？

评分卡、异常检测与模型融合：从建模到解释

第三阶段把机器学习和评分卡放在一起讲，重点在评分卡的可解释性要求——监管和业务都要你给出理由，所以逻辑回归在风控里一直没被淘汰。这一阶段要练的是从特征筛选到评分刻度转换的完整流程。第四阶段的异常检测与模型融合，对应的是反欺诈和团伙识别场景，孤立森林、autoencoder 这类方法什么时候用、和规则引擎怎么配合，都会涉及。模型融合部分不只是堆叠，而是讲清什么情况下融合能带来提升、什么情况下只是徒增维护成本。

迁移学习、不均衡学习与图算法：拉开差距的部分

第五、第六阶段是这门课相对少见的地方。不均衡学习在风控里几乎是常态——坏样本本来就少，采样、代价敏感、Focal Loss 这些手段的取舍需要结合业务代价来谈，而不是无脑过采样。迁移学习则对应新客冷启动、跨场景复用模型的问题。图算法放在最后，指向的是团伙欺诈、关联网络这类靠单条记录看不出来的风险，涉及图构建、节点嵌入和社区发现的基本思路。这几块内容在多数风控岗面试里属于加分项，能讲清楚应用场景比背公式更重要。

学完之后，你应该能回答这些问题

给你一份借贷明细，怎么定义好坏样本、怎么划分观察期和表现期？
一个特征 IV 很高但上线后 PSI 报警，可能是什么原因，怎么排查？
评分卡上线后通过率没变但坏账上升，从哪几个方向找问题？
反欺诈场景里，规则、异常检测模型、图算法各自负责哪一段？
样本不均衡时，为什么调整阈值往往比换采样方法更实际？

如果你的回答有一半以上说不完整，这门课的六个阶段基本能覆盖到你的缺口。配套练习偏实操，建议边学边拿真实或公开的信贷数据集跑一遍，把每个阶段的产出物留存下来——面试时能拿出自己的评分卡和特征处理记录，比背知识点有用得多。