## 一、精细化风控时代的“多头”计量工具

在互金与银行信贷业务中，“多头借贷”（Multi-Lending）往往是借款人资金链断裂的前兆。然而，传统的借贷次数统计已难以满足精细化风控的需求——借款人是在银行申请房贷，还是在夜间频繁申请高息网贷？这两种行为的风险等级截然不同。

“多头借贷行业风险版”接口，正是解决这一痛点的利器。它不同于普通的黑名单查询，而是通过**通用、短周期、长周期、非银行、银行** 5大细分维度，输出 0-100 分的量化风险评分。同时，它提供了细致到“凌晨申请占比”、“近7天新增平台数”等数百个行为指标。本文将作为一份详尽的技术指南，帮助开发者使用 Python 对接此 API，并解析其特有的 `List<KV>` 数据结构，助力企业构建更精准的授信模型。


## 二、API接口调用示例

本接口沿用了API的高安全标准，采用 AES-128-CBC 对称加密传输。开发者需注意请求体 `data` 的加密逻辑以及响应数据的解密与格式转换。

### 1. 接口基础信息

- **接口地址**：`https://api.tianyuanapi.com/api/v1/DWBG7F3A?t={13位时间戳}`

- **请求方式**：POST

- **安全机制**：
	- Header: `Access-Id`
	- Body: `data` (AES加密 + Base64编码)


### 2. Curl 调用示例

Bash

```
curl -X POST "<https://api.tianyuanapi.com/api/v1/DWBG7F3A?t=1716345678000>" \\
  -H "Content-Type: application/json" \\
  -H "Access-Id: YOUR_ACCESS_ID" \\
  -d '{
    "data": "U2FsdGVkX1+..." 
  }'
```
### 3. Python 完整调用代码 (含数据清洗)

由于该接口返回的数据是 `[{"riskCode":..., "riskCodeValue":...}]` 的数组格式，直接使用极其不便。下方的 Python 示例中增加了一个 `parse_risk_report` 函数，将其转换为易于读取的字典格式。

Python

```
import requests
import json
import time
import base64
from Crypto.Cipher import AES
from Crypto.Util.Padding import pad, unpad
from Crypto.Random import get_random_bytes

class TianyuanIndustryRiskAPI:
    def __init__(self, access_id, access_key):
        self.access_id = access_id
        # 确保密钥为16字节二进制
        self.access_key = access_key.encode('utf-8')[:16]
        self.api_url = "<https://api.tianyuanapi.com/api/v1/DWBG7F3A>"

    def _encrypt(self, plain_dict):
        """AES-128-CBC 加密核心逻辑"""
        try:
            # 1. 序列化并转成 bytes
            plain_text = json.dumps(plain_dict).encode('utf-8')
            # 2. 生成随机 IV
            iv = get_random_bytes(16)
            # 3. 初始化加密器
            cipher = AES.new(self.access_key, AES.MODE_CBC, iv)
            # 4. 填充并加密
            encrypted_bytes = cipher.encrypt(pad(plain_text, AES.block_size))
            # 5. 拼接 IV + 密文 -> Base64
            return base64.b64encode(iv + encrypted_bytes).decode('utf-8')
        except Exception as e:
            print(f"[Encryption Error] {e}")
            return None

    def _decrypt(self, base64_str):
        """AES-128-CBC 解密核心逻辑"""
        try:
            encrypted_data = base64.b64decode(base64_str)
            iv = encrypted_data[:16]
            cipher_text = encrypted_data[16:]
            cipher = AES.new(self.access_key, AES.MODE_CBC, iv)
            decrypted_text = unpad(cipher.decrypt(cipher_text), AES.block_size)
            return json.loads(decrypted_text.decode('utf-8'))
        except Exception as e:
            print(f"[Decryption Error] {e}")
            return None

    def query_industry_risk(self, name, id_card, mobile):
        # 1. 构造请求参数
        payload = {
            "name": name,
            "id_card": id_card,
            "mobile_no": mobile
        }

        # 2. 加密
        encrypted_data = self._encrypt(payload)
        if not encrypted_data: return

        # 3. 发送请求
        timestamp = int(time.time() * 1000)
        url = f"{self.api_url}?t={timestamp}"
        headers = {"Access-Id": self.access_id}
        
        try:
            resp = requests.post(url, json={"data": encrypted_data}, headers=headers)
            res_json = resp.json()

            if res_json.get("code") == 0:
                print(">>> 请求成功，正在解密...")
                raw_data = self._decrypt(res_json.get("data"))
                
                # 4. 数据清洗（将列表转为字典）
                clean_report = self.parse_risk_report(raw_data)
                self.print_key_indicators(clean_report)
            else:
                print(f"API Error: {res_json.get('message')}")
                
        except Exception as e:
            print(f"Network Error: {e}")

    def parse_risk_report(self, raw_data):
        """
        将 [{"riskCode": "41001", "riskCodeValue": "43"}, ...] 
        转换为 {"41001": "43", ...} 以便快速查找
        """
        report_list = raw_data.get("riskInfo_report_v3.1", [])
        risk_map = {}
        for item in report_list:
            # 兼容 int 和 string 类型的 code
            code = str(item.get("riskCode"))
            val = item.get("riskCodeValue")
            risk_map[code] = val
        return risk_map

    def print_key_indicators(self, risk_map):
        print("\\n=== 多头借贷行业风险核心指标 ===")
        # 41001: 多头申请通用分
        print(f"通用评分 (0-100): {risk_map.get('41001', 'N/A')}")
        # 41002: 短周期多头共债子分
        print(f"短周期风险分 (7天-3月): {risk_map.get('41002', 'N/A')}")
        # 40001: 7天内总申请次数
        print(f"近7天总申请次数: {risk_map.get('40001', '0')}")
        # 40002: 7天内银行申请次数
        print(f"近7天银行申请次数: {risk_map.get('40002', '0')}")
        # 40105: 7天总申请夜晚次数
        print(f"近7天深夜申请次数: {risk_map.get('40105', '0')}")

# 使用示例
if __name__ == "__main__":
    client = TianyuanIndustryRiskAPI("YOUR_ACCESS_ID", "YOUR_ACCESS_KEY_HEX")
    client.query_industry_risk("张三", "110101199001011234", "13800138000")
```
## 三、核心数据结构解析

与通用查询不同，本接口的响应数据结构通过 `code` 来定义语义，极大地压缩了传输体积。

### 1. 响应根节点

- `code`: 0 表示成功。

- `data`: 加密字符串，解密后包含一个核心键 `riskInfo_report_v3.1`。


### 2. 报告列表结构

解密后的 `riskInfo_report_v3.1` 是一个对象数组 11111。

- **riskCode**: 风险指标代码（如 `41001`, `40001`）。

- **riskCodeValue**: 对应的具体数值（如 `43` 分，或 `0` 次）。

开发者务必在业务层建立一个映射表（Mapping），将这些数字代码转换为具有业务含义的字段名（如 `score_general`, `count_7d_apply`）。


## 四、字段详解（风控核心代码表）

以下表格精选了API行业风险版中最具业务价值的字段。

### 1. 多头共债评分（决策核心）

|**Code**|**名称**|**取值范围**|**业务解读**|
|:-:|:-:|:-:|:-:|
|**41001**|多头申请通用分|0-100|综合评估，分数越高多头倾向越严重。|
|**41002**|短周期多头共债分|0-100|聚焦 **7天-3个月** 的急借行为，反映短期资金缺口。|
|**41003**|长周期多头共债分|0-100|聚焦 **6个月+** 的行为，反映长期债务累积压力。|
|**41005**|银行多头共债子分|0-100|专门衡量在银行体系内的多头行为。|

### 2. 行业维度申请统计（画像核心）

|**Code**|**名称**|**说明**|**适用场景**|
|:-:|:-:|:-:|:-:|
|**40002**|7天内银行申请次数|银行系数据|判断用户是否在通过正规渠道融资。|
|**40004**|7天内互金申请次数|P2P/网贷数据|高频申请通常意味着资质较差或急需用钱。|
|**40003**|7天内持牌消金申请次数|持牌机构数据|衡量用户在消费场景下的活跃度。|

### 3. 时间与行为异常（反欺诈核心）

|**Code**|**名称**|**说明**|**风险提示**|
|:-:|:-:|:-:|:-:|
|**40097**|7天总申请白天次数|08:00 - 23:00|正常作息时间内的申请。|
|**40105**|7天总申请夜晚次数|**00:00 - 07:00**|**高危指标**：凌晨频繁申请往往对应赌博输钱或极度焦虑。|
|**40161**|7天相对过去30天新增平台|平台数差值|突发性地向大量新平台申请，是“撸口子”的典型特征。|


## 五、应用价值分析

通过集成API的多头借贷行业风险版，金融机构可以在以下场景中显著提升风控效能：

1. 区分客群资质（银行 vs. 非银）：
	利用 41005 (银行分) 和 41004 (非银分) 的差异。如果一个用户在“非银”维度分数极高（频繁借网贷），但在“银行”维度分数低，说明其资质可能无法通过银行审批，属于次级客群，需谨慎授信。

2. 识别“以贷养贷”迹象：
	结合 41003 (长周期分) 和 40161 (新增平台数)。如果用户长期存在多头行为，且近期突然新增了大量借贷平台，极大概率正在寻求“拆东墙补西墙”，建议直接拒绝。

3. 夜间反欺诈阻断：
	编写规则：当 40105 (7天夜晚申请次数) / 40001 (7天总次数) > 50% 时，触发人工审核。正常用户的借贷行为通常发生在日间，夜间聚集性申请往往通过机器脚本或中介代办，具有极高的欺诈风险。


## 六、总结

多头借贷行业风险版API，通过将笼统的“申请次数”拆解为**分行业**（银行/互金/消金）和**分时段**（白天/凌晨）的精细化指标，为风控模型提供了更高维度的特征输入。

对于 Python 开发者，虽然 List<KV> 的数据结构处理起来比扁平 JSON 略繁琐，但其带来的数据密度和扩展性极高。建议在接入层编写通用的解析器（如文中的 `parse_risk_report`），将这些高价值的 `RiskCode` 转化为业务可用的决策因子，从而构建出更稳健的信贷防御体系。

在互金与银行信贷业务中，“多头借贷”（Multi-Lending）往往是借款人资金链断裂的前兆。然而，传统的借贷次数统计已难以满足精细化风控的需求——借款人是在银行申请房贷，还是在夜间频繁申请高息网贷？这两种行为的风险等级截然不同。

Python金融风控实战：对接天远多头借贷行业风险API与数据清洗策略

编程语言

大数据

后端

多头借贷行业风险版API提供精细化风控评分，通过银行/非银、短/长周期等5大维度量化风险，包含"凌晨申请占比"等数百指标。Python调用指南详解AES加密传输与List<KV>数据结构解析，助力金融机构识别以贷养贷、夜间欺诈等高风险行为，构建精准信贷模型。

数据清洗

对称加密

数据结构

Python

JSON

AI驱动 智领未来

bigdata-class

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Python金融风控实战：对接天远多头借贷行业风险API与数据清洗策略-腾讯云开发者社区-腾讯云

Python金融风控实战：对接天远多头借贷行业风险API与数据清洗策略

Python金融风控实战：对接天远多头借贷行业风险API与数据清洗策略

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐