风控策略规则里的冗余——布尔代数怎么把规则迷宫变简单

2026年8月10日 · 预计阅读 11 分钟

关键词：布尔代数，规则化简，策略优化，逻辑等价，风控引擎

01 事件：一套策略系统，三个团队，九条规则

策略分析师老周接手了一套风险策略系统。上任第一天，他打开规则引擎的配置页，看到的是这样的东西——拦截条件一共有9条，每条都是"并且/或者"拼起来的组合：

#	规则（伪代码）	谁写的
1	大额且高负债率	同事2
2	大额且近期逾期	同事2
3	高负债率且近期逾期	同事3
4	高负债率且近期逾期且账户过多	同事3
5	高负债率且近期逾期且低收入	同事3
6	大额且账户过多	同事1
7	大额且账户过多且低收入	同事1
8	大额且账户过多且高负债率	同事1
9	大额且账户过多且近期逾期	同事1

规则引擎的逻辑是：命中任意一条就拦截。也就是说，这些规则之间是"或"的关系。

老周第一反应是数了一下：每个客户进来，引擎最多要做9次条件判断。这看起来不算多，但这是对每个申请人都要跑一遍的逻辑，一天几百万次。

更让他不安的是第四条到第九条——它们看起来像是某几条规则的"加强版"。第四条"高负债率且近期逾期且账户过多"，和第三条"高负债率且近期逾期"比，多了一个"账户过多"条件。多了一个条件，意味着更严格，意味着能命中的客户一定更少。

那问题来了：既然第四条命中的客户，一定也会被第三条命中——那第四条还有存在的意义吗？

02 追问：规则为什么会冗余

三组规则为什么会写成这样？不是因为他们笨，而是因为策略系统是长出来的，不是设计出来的。

同事2上线时只写了第一条"大额且高负债"。后来发现有一批欺诈是大额+近期逾期，于是补了第二条。同事3接手时没看同事2的规则，自己按经验写了第三条，后来又怕漏，加了两个"加强版"。同事1同理。

每个组都只对自己写的规则负责，没有人对整个规则集负责。这就是规则迷宫的来源——它和代码里的"屎山"是同一个东西，只不过规则引擎里的屎山，每天都在真实地拦截客户。

但这篇文章要讲的不是管理问题，是数学问题。 我们真正要问的是：

这些规则里，有多少是逻辑上重复的？能不能在不改变任何拦截结果的前提下，把9条规则化简成更少、更快的规则？

答案是：能。工具是布尔代数，一门300年前就存在的数学。

03 方法：布尔代数的化简原理

3.1 把规则翻译成逻辑表达式

先把9条规则翻译成数学语言。定义5个"原子命题"：

记号	含义	LendingClub字段
$A$	大额借款（ $> $ 30,000$ ）	loan_amnt
$B$	高负债率（ $> 30 %$ ）	dti
$C$	近期逾期次数多（ $> 2$ 次）	delinq_2yrs
$D$	开立账户过多（ $> 15$ 个）	open_acc
$E$	低收入（ $< $ 50,000$ ）	annual_inc

"且"对应逻辑与（AND，记作 $\land$ ），"或"对应逻辑或（OR，记作 $\lor$ ）。规则引擎的"命中任意一条就拦截"，翻译过来就是：

R = r_{1} \lor r_{2} \lor r_{3} \lor r_{4} \lor r_{5} \lor r_{6} \lor r_{7} \lor r_{8} \lor r_{9}

其中，比如 $r_{4} = B \land C \land D$ ， $r_{9} = A \land D \land C$ 。

3.2 三条化简定律

布尔代数有三条基本定律，是化简的核心工具。

定律一（分配律）：与对或的分配

A \land (B \lor C) \equiv (A \land B) \lor (A \land C)

反过来用，就是从"两条规则都有公共条件 $A$ "里，把 $A$ 提取出来。

定律二（吸收律）：大项吃掉小项

X \lor (X \land Y) \equiv X

如果一条规则是另一条规则的"加强版"（多了条件），那加强版是冗余的——因为只要加强版命中，原规则一定命中。反过来，如果 $X \lor (X \land Y)$ 成立，当且仅当 $X$ 成立。

定律三（幂等律）：重复的项只算一次

X \lor X \equiv X

3.3 手工化简三组规则

同事3（规则3/4/5）：

r_{3} \lor r_{4} \lor r_{5} = (B \land C) \lor (B \land C \land D) \lor (B \land C \land E)

先用分配律把公共因子 $B \land C$ 提出来：

= (B \land C) \lor (B \land C \land (D \lor E))

再用吸收律： $X \lor (X \land Y) \equiv X$ ，令 $X = B \land C$ ， $Y = D \lor E$ ：

= B \land C

三条规则，化简成一条：高负债率且近期逾期。第四条"账户过多"和第五条"低收入"是纯冗余——它们命中的每一个客户，第三条都已经拦下了。

同事1（规则6/7/8/9）：

r_{6} \lor r_{7} \lor r_{8} \lor r_{9} = (A \land D) \lor (A \land D \land E) \lor (A \land B \land D) \lor (A \land C \land D)

提取公共因子 $A \land D$ ：

= A \land D \land \underset{\equiv 1}{\underset{⏟}{(1 \lor E \lor B \lor C)}}

括号里是"恒真"——只要 $E$ 或 $B$ 或 $C$ 有一个成立，或者一个都不成立（ $1$ ），整个括号都是真。所以：

= A \land D

四条规则，化简成一条：大额且账户过多。

全部合并（9条 → 4条）：

把三组化简后的结果合起来：

R = (A \land B) \lor (A \land C) \lor (B \land C) \lor (A \land D)

9条规则 → 4条规则。原来每次判断最多10次逻辑运算，现在5次。

3.4 数学上严格验证：真值表穷举

手工化简可能出错。但布尔代数有个好处：逻辑等价性可以机械验证。

对 $n$ 个原子命题，真值表有 $2^{n}$ 行。把化简前后的表达式在每一行都求值，如果256行（ $2^{5}$ ）全部一致，就说明两者逻辑等价——不管数据长什么样，化简前后拦截的客户集合完全一样。

这就是"化简"和"删规则"的本质区别：删规则是拍脑袋，化简是证明过的等价变换。

04 拆解结果：真实数据怎么说

光有数学证明还不够。我们在LendingClub 2007-2018年公开贷款数据（226万笔）上，把这三组规则真实跑了一遍。

4.1 五个规则原子的真实命中率

原子	含义	命中数	命中率
A	大额借款（>3万）	170,515	7.5%
B	高负债率（>30%）	245,398	10.9%
C	近期逾期（>2次）	58,866	2.6%
D	账户过多（>15个）	458,581	20.3%
E	低收入（<5万）	636,579	28.2%

样本量：2,258,928笔（剔除缺失值后的完整样本）。

4.2 化简前后：命中数完全一致

规则组	化简前命中	化简后命中	是否一致
组1（同事1）	52,284	52,284	✅
组2（同事2）	22,846	22,846	✅
组3（同事3）	5,448	5,448	✅
合并规则	70,545	70,545	✅

四个组的命中数分毫不差。这不是巧合——真值表已经证明过逻辑等价，数据只是把这个证明落到了真实业务上。

4.3 计算量：每次判断从10次降到5次

规则组	化简前运算次数	化简后运算次数	下降
组1（同事1）	5	1	80%
组2（同事2）	3	2	33%
组3（同事3）	4	1	75%
合并	10	5	50%

4.4 冗余长什么样：子集关系

以组3（同事3）为例：主规则 $B \land C$ 命中5,448笔；加强版 $B \land C \land D$ 命中1,843笔、 $B \land C \land E$ 命中2,089笔——每一笔都在主规则的5,448笔之内（子集）。加条件不会拦截更多客户，只会让引擎多做一次无用的计算。

05 如果重来：规则化简的正确姿势

老周最后没有手撕规则。他做的是三件事：

第一步：规则翻译。把规则引擎里每一段"并且/或者"翻译成逻辑表达式，原子命题对齐到真实数据字段。

第二步：机器化简。用符号计算库（Python的SymPy，simplify_logic）自动化简——手工只适合3-4个原子的情况，规则一多必须交给机器。真值表验证自动附带。

第三步：真实数据回归。化简后的规则集，在历史数据上跑一遍，确认命中集合和化简前完全一致——先证明等价，再上生产。

这套流程里最反直觉的一点是：化简规则和删规则是两回事。

删规则是"我觉得这条没用，删了吧"——靠直觉，可能出错，业务方不敢签字。

化简是"我证明了这条规则命中的每一个客户，都会被另一条规则命中，所以它在逻辑上是冗余的"——靠证明，可复现，业务方可以放心。

06 方法论提炼：迷宫不只是风控有

这套"翻译 → 化简 → 验证"的流程，不止适用于风控规则引擎。任何由"条件组合"构成的系统，都有同一个数学结构：

风险策略规则集：命中任意一条就拦截（本文案例）
授信审批矩阵：满足任意一组条件就降额/拒贷
监控告警规则：满足任一组合就触发告警
营销人群圈选：满足任一标签组合就进池

它们的共同点：规则是多个团队/多个时期叠加出来的，冗余必然存在。而布尔代数给出的是数学上最严格的化简方式——不改变任何行为，只删掉逻辑上多余的判断。

真正的收益不是省那几次逻辑运算。是规则系统变得可维护了：4条规则比9条规则好审计、好解释、好调参。在策略系统里，"少"本身就是一种风险控制——规则越少，出错的表面越少，解释成本越低。

170多年前，布尔写下《思维定律的研究》时，大概没想到这套逻辑代数会在一个半世纪后，被用来清理一套风险规则引擎。

数据说明： LendingClub 2007-2018年公开贷款数据（226万笔），本地parquet读取，剔除缺失值后样本2,258,928笔。规则原子按贷款金额、负债率、逾期次数、账户数、收入五个字段定义，仅作方法论演示，不代表任何真实机构的策略。命中数来自DuckDB实际查询，化简由SymPy 1.14完成，逻辑等价性经真值表穷举验证。

代码环境： Python 3.11，SymPy 1.14.0，DuckDB，pandas，matplotlib；随机种子seed=42（本实验无随机性依赖）。

风控策略规则里的冗余——布尔代数怎么把规则迷宫变简单 ​

01 事件：一套策略系统，三个团队，九条规则 ​

02 追问：规则为什么会冗余 ​

03 方法：布尔代数的化简原理 ​

3.1 把规则翻译成逻辑表达式 ​

3.2 三条化简定律 ​

3.3 手工化简三组规则 ​

3.4 数学上严格验证：真值表穷举 ​

04 拆解结果：真实数据怎么说 ​

4.1 五个规则原子的真实命中率 ​

4.2 化简前后：命中数完全一致 ​

4.3 计算量：每次判断从10次降到5次 ​

4.4 冗余长什么样：子集关系 ​

05 如果重来：规则化简的正确姿势 ​

06 方法论提炼：迷宫不只是风控有 ​

相关阅读