# 风控序列模型调研报告 & 代码模板

## 一、App 安装序列建模 — 论文调研

### 核心结论

> **EBES 2024 大规模 benchmark 的结论：GRU + CoLES 对比学习 > 纯 Transformer**，在金融行为序列上平均排名第一。不要默认上 Transformer，GRU + 自监督预训练更强。Transformer 只有在十亿级预训练（TransactionGPT/BehaveGPT 规模）时才能超过 GRU。

### 推荐方法排序

| 优先级 | 方法 | 论文 | 链接 | 核心思路 | 适用场景 |
|---|---|---|---|---|---|
| ⭐1 | **CoLES + GRU** | CoLES: Contrastive Learning for Event Sequences (KDD 2022) | https://arxiv.org/abs/2002.08232 | 无标签自监督预训练，随机时间切片做对比学习，GRU编码序列→用户向量→下游LightGBM | 中等序列长度(<500)，标签少 |
| ⭐2 | **Graph-Augmented CoLES** | Beyond Isolated Clients (2026) | https://arxiv.org/abs/2604.09085 | 在CoLES基础上构建用户-App二部图，用GraphSAGE生成App embedding，替换原始embedding，AUC+2.3% | App共现关系重要时 |
| 3 | **LBSF 层级折叠 Transformer** | Financial Risk via Long-term Behavior Sequence Folding (IEEE 2024) | https://arxiv.org/abs/2411.15056 | 按App类别分组折叠→类别内Transformer→类别间Transformer；正余弦时间编码 | 超长序列(180天+/500+事件) |
| 4 | **TabBERT** | Tabular Transformers for Multivariate Time Series (IBM 2021) | https://arxiv.org/abs/2011.01843 | 双层Transformer：字段级(App属性间注意力)+序列级(跨安装事件注意力)；MLM预训练 | App有丰富属性字段时 |
| 5 | **BehaveGPT + DRO** | BehaveGPT: Foundation Model for User Behavior (2025) | https://arxiv.org/abs/2505.17631 | GPT风格自回归，DRO分布鲁棒优化解决长尾App类型问题 | 大规模数据(>1亿事件)，长尾分布严重 |
| 6 | **TransactionGPT** | TransactionGPT (Visa 2025) | https://arxiv.org/abs/2511.08939 | 3D-Transformer：特征/元数据/时间三路编码，十亿级预训练 | Visa规模数据，一般公司不适用 |
| 7 | **BTF Self-Supervised** | Self-Attention for Banking Transaction Flow (2024) | https://arxiv.org/abs/2410.08243 | 自定义tokenizer(文本/金额/日期)，BERT-MLM预训练→信用风险微调 | 交易流水有文本描述时 |

### 关键超参数参考（CoLES，最推荐方案）

```
序列编码器: GRU (不是 LSTM，不是 Transformer)
隐藏维度: 256–512
事件嵌入: app_category embed_dim=16, app_id embed_dim=32
对比学习: batch=256, sub-slices per user K=4
优化器: Adam, lr=1e-3
时间编码: 相邻事件时间差作为连续数值特征
下游: 冻结向量→LightGBM 或 微调GRU+MLP head
```

### 关键工程建议

1. **App词表处理**：App总量可能有几百万，但80%用户只安装Top 500 App。建议：`app_id`保留Top 50K，长尾合并到`<OTHER>`，或者用 App→类目(一级/二级) 层级编码
2. **时间编码**：不用Transformer的positional encoding，用实际时间差 `Δt = t_{i} - t_{i-1}`（天/小时级别）作为连续特征
3. **序列截断**：保留最近200~500次安装，过长截断最老的
4. **标签稀缺**：用CoLES无监督预训练（不需要标签），生成256d用户向量后接LightGBM

### 开源代码库

| 库 | 安装 | 用途 |
|---|---|---|
| **pytorch-lifestream** | `pip install pytorch-lifestream` | CoLES实现，含完整教程 |
| IBM TabFormer | https://github.com/IBM/TabFormer | TabBERT实现 |
| EBES Benchmark | https://github.com/on-point-rnd/ebes | 10个金融序列数据集+模型zoo |

---

## 二、征信结构化数据建模 — 论文调研

### 核心结论

> **中小数据集(<100K)：LightGBM/XGBoost 仍然是王者**。DL只有在数据量>100K且有大量无标签数据做预训练时才有优势。2024年ICLR最佳：**TabM（集成MLP）比Transformer更快更稳**。

### 推荐方法排序

| 优先级 | 方法 | 论文 | 链接 | 核心思路 | 适用场景 |
|---|---|---|---|---|---|
| ⭐1 | **LightGBM/XGBoost** (baseline) | Why do tree-based models still outperform DL on tabular data? (NeurIPS 2022) | https://arxiv.org/abs/2207.08815 | 45个数据集验证GBDT在中小规模稳赢DL | n<100K，特征噪声多 |
| ⭐2 | **TabM + PLE** | TabM: Advancing Tabular DL with Parameter-Efficient Ensembling (ICLR 2025) | https://arxiv.org/abs/2410.24210 | MLP+BatchEnsemble(k=32)+分段线性数值编码；46数据集SOTA；比FT-T快5-30x | n>50K，需要DL方案 |
| 3 | **FT-Transformer** | Revisiting DL Models for Tabular Data (NeurIPS 2021) | https://arxiv.org/abs/2106.11959 | 每个特征独立token化→Transformer注意力学特征交互 | 需要注意力可解释性 |
| 4 | **FT-T + PLE 数值编码** | On Embeddings for Numerical Features in Tabular DL (2022) | https://arxiv.org/abs/2203.05556 | 对数值特征做分段线性(分位数)编码再送入Transformer，缩小与GBDT差距 | 数值特征多，分布不规则 |
| 5 | **SAINT** | SAINT: Improved Neural Networks for Tabular Data (2021) | https://arxiv.org/abs/2106.01342 | 行内注意力+行间注意力(intersample)；CutMix+对比学习预训练 | 标签少时做自监督预训练 |
| 6 | **FinPT** | FinPT: Financial Risk Prediction with Profile Tuning (2023) | https://arxiv.org/abs/2308.00065 | 把表格转成自然语言描述→微调LLM | 特征名有语义，且想做可解释性 |

### 关键超参数参考（TabM，最推荐DL方案）

```
框架: MLP + BatchEnsemble
集成成员数 k=32
隐藏层宽度: 256–512
网络深度: 3–5 层
数值编码: PLE, bins=32 (分位数划分)
Dropout: 0.0–0.3
优化器: AdamW, lr∈[1e-4, 3e-4], weight_decay=1e-5
早停: patience=16, metric=val_AUC
预处理: QuantileTransformer(output_distribution='normal')
```

### 关键工程建议

1. **缺失值处理**：每个特征加一个`is_missing`二值指示列，然后用中位数/均值填充原值。模型自己学"缺失=有信息"
2. **类别不平衡**（坏账率1-3%）：
   - 训练：`BCEWithLogitsLoss(pos_weight=N_neg/N_pos)`
   - 推理：阈值校准（Youden's J / KS统计量）
   - **不推荐SMOTE**（会破坏概率校准）
3. **时间一致性**：用时间分割train/val/test（不要随机分割），征信数据有时间漂移
4. **最终方案**：`0.5 * LightGBM + 0.5 * TabM` 的集成通常比单模型好

### DL vs GBDT 决策树

```
Credit bureau data regime:
├── n < 10K labeled samples:        → XGBoost/LightGBM wins clearly
├── n = 10K–100K:                   → GBDT baseline first; try TabM if GBDT saturates
├── n > 100K:                       → TabM competitive; FT-T with PLE can win
├── Large unlabeled pool available: → SAINT pretraining (contrastive) adds +2-3%
├── Column names semantic:          → Consider FinPT/LLM approach
└── Out-of-time evaluation:         → domain-aware splits critical
```

### 开源代码库

| 库 | 安装 | 用途 |
|---|---|---|
| **TabM** (Yandex) | https://github.com/yandex-research/tabm | ICLR 2025，表格DL SOTA |
| **rtdl_revisiting_models** | `pip install rtdl_revisiting_models` | FT-Transformer官方实现 |
| **rtdl_num_embeddings** | `pip install rtdl_num_embeddings` | PLE/周期性数值编码 |
| **pytorch-tabular** | `pip install pytorch-tabular[extra]` | 统一框架(含FT-T, TabNet, SAINT) |

---

## 三、融合决策

```
你的数据情况:
├── App 安装序列:
│   ├── 有大量无标签数据(全量用户)? → CoLES 自监督预训练 ⭐
│   ├── App 之间有共现关系? → Graph-Augmented CoLES
│   ├── 序列很长(>500)? → LBSF 层级折叠
│   └── App 有丰富属性(类目/权限/大小)? → TabBERT
│
├── 征信数据:
│   ├── 样本量 < 100K? → LightGBM 先搞 baseline
│   ├── 样本量 > 100K 且想用 DL? → TabM + PLE
│   ├── 标签很少但无标签多? → SAINT 预训练
│   └── 需要和 App 序列模型融合? → 各自出向量→拼接→MLP/LightGBM
│
└── 两个模型如何合并做最终决策?
    → App 序列模型输出 256d 用户向量
    → 征信模型输出预测概率或中间特征
    → Late Fusion: concat → LightGBM / Logistic Regression
    (不要 early fusion，两个数据源性质差异太大)
```

---

## 四、代码文件说明

| 文件 | 内容 |
|---|---|
| `app_sequence_model.py` | App安装序列完整建模：CoLES+GRU预训练→有监督微调→LightGBM→图增强 |
| `credit_bureau_model.py` | 征信数据建模：TabM+PLE+FT-Transformer+LightGBM集成+阈值校准+PSI监控 |
| `fusion_model.py` | Late Fusion：两个模型输出融合为最终风控决策 |

使用方式：
1. 替换各文件中 `CONFIG` 里的特征列名为你的实际字段
2. 替换数据加载部分为你的数据源
3. 先跑 App 序列模型的 Stage 1（无监督预训练，不需要标签）
4. 再跑征信模型（LightGBM baseline → TabM）
5. 最后用 fusion_model 做融合决策