数字金融时代机器学习模型在实时反欺诈中的应用与实践

doi:10.11959/j.issn.2096-6652.201939

智能科学与技术学报 ›› 2019, Vol. 1 ›› Issue (4): 342-351.doi: 10.11959/j.issn.2096-6652.201939

数字金融时代机器学习模型在实时反欺诈中的应用与实践

曹汉平,张晓晶,祝睿杰(),黄潇拉

中国银行总行个人数字金融部，北京 100818

修回日期:2019-11-12 出版日期:2019-12-20 发布日期:2020-02-29
作者简介:曹汉平（1976- ），男，博士，中国银行总行个人数字金融部副总经理，主要研究方向为宏观经济、大数据系统架构与应用、新型渠道、数字金融风险防控等|张晓晶（1980- ），女，中国银行总行个人数字金融部高级经理，主要研究方向为机器学习建模、智能风控系统建设、数字金融业务风险防控等|祝睿杰（1986- ），男，中国银行总行个人数字金融部业务经理，主要研究方向为数据挖掘、机器学习建模、数字金融业务风险防控等|黄潇拉（1988- ），女，中国银行总行个人数字金融部业务经理，主要业务方向为数据分析、智能风控系统建设、数字金融风险防控等

Application and practice of machine learning model in real-time anti-fraud in the era of digital finance

Hanping CAO,Xiaojing ZHANG,Ruijie ZHU(),Xiaola HUANG

Digital Personal Banking Department,Bank of China,Beijing 100818,China

Revised:2019-11-12 Online:2019-12-20 Published:2020-02-29

摘要/Abstract

摘要：

近年来，数字金融蓬勃发展，金融科技日趋成熟，信息技术的发展对社会产生巨大积极作用的同时也带来了新型风险，网络黑产呈爆发式增长，电信网络诈骗给人民群众造成了巨大的财产损失。在数字金融时代，商业银行既迎来了新的机遇与动力，又面临着新的挑战和数字化变革的要求，线上金融业务已经成为新的主战场。在此背景下，基于 RFM 高维衍生特征和对机器学习算法的研究，构建了基于高维交易行为画像的事中反欺诈机器学习模型。依托大数据、流计算等技术，通过在系统化部署、应用策略以及模型迭代优化等环节的实践，形成了一套基于机器学习模型的事中风控方案。实践证实，该模型的AUC达到了0.972，可以敏锐洞察欺诈风险，实现毫秒级的欺诈交易识别，对于提升线上数字金融业务的事中风控能力具有一定的推广价值和借鉴意义。

关键词: 数字金融, 机器学习, 反欺诈, RFM, 流计算

Abstract:

In recent years,with the rapid development of FinTech,digital finance has flourished and brought huge positive effect on society.Meanwhile,new risks have been introduced into banks.For example,the black production related to network security has experienced explosive growth,and telecommunication network fraud has caused property losses to the public.In the era of digital finance,the commercial banks have not only ushered in new opportunities and dynamics,but also faced new challenges and requirements for digital transformation.As a result,e-finance has become a new battlefield.With this context,a real-time anti-fraud machine learning model based on high-dimensional transaction behavior portrait through enhanced RFM feature-derivation and machine learning modeling was established in this paper.Relying on the new technologies such as big data,stream computing,a model application solution to real-time risk control was formed including systematic deployment,model application strategies and iterative model optimization.Through practical observation,the AUC of the model reaches 0.972,which provides a keen insight into fraud risk,realizes millisecond-level risk identification,and promotes risk control ability of e-finance significantly.

Key words: digital finance, machine learning, anti-fraud, RFM, stream computing

中图分类号:

TP391

曹汉平, 张晓晶, 祝睿杰, 等. 数字金融时代机器学习模型在实时反欺诈中的应用与实践[J]. 智能科学与技术学报, 2019, 1(4): 342-351.

Hanping CAO, Xiaojing ZHANG, Ruijie ZHU, et al. Application and practice of machine learning model in real-time anti-fraud in the era of digital finance[J]. Chinese Journal of Intelligent Science and Technology, 2019, 1(4): 342-351.

图/表 13

表1

表2

图1

图2

图3

图4

表3

图5

图6

图7

图8

表4

图9

参考文献 7

[1]	中国人民银行. 金融科技（FinTech）发展规划（2019-2021年）[R]. 2019.
	Bank of China. Development plan of FinTech(2019-2021)[R]. 2019.
[2]	张旭, 赵奕 . “在线实时决策＋离线机器学习”实现高效实时反欺诈[J]. 金融电子化, 2016(12):89.
	ZHANG X , ZHAO Y . “Online real-time decision-making + offline machine learning” for efficient real-time anti-fraud[J]. Financial Computerizing, 2016(12):89.
[3]	FRIEDMAN J H . Greedy function approximation:a gradient boosting machine[J]. The Annals of Statistics, 2001,29(5): 1189-1232.
[4]	CHEN T Q , GUESTRIN C . XGB：a scalable tree boosting system[C]// The 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,August 13- 17,2016,San Francisco,USA. New York:ACM Press, 2016: 785-794.
[5]	刘彧祺, 张智斌, 陈昊昱 ,等. 基于XGBoost 集成的可解释信用评分模型[J]. 数据通信, 2019(3): 27-32.
	LIU Y Q , ZHANG Z B , CHEN H Y ,et al. Interpretable credit scoring model based on XGBoost integration[J]. Shuju Tongxin, 2019(3): 27-32.
[6]	成晨, 程新洲, 张恒 ,等. 智能化调参的XGBoost 算法及其在电信营销中的应用[J]. 邮电设计技术, 2018,512(10): 26-30.
	CHENG C , CHENG X Z , ZHANG H ,et al. Intelligent parameter adjustment XGBoost and its application in telecom marketing[J]. Designing Techniques of Posts and Telecommunications, 2018,512(10): 26-30.
[7]	仵伟强, 后其林 . 基于机器学习模型的消费金融反欺诈模型与方法[J]. 现代管理科学, 2018(10): 51-54.
	WU W Q , HOU Q L . Anti-fraud models and methods for consumer finance based on machine learning models[J]. Modern Management Science, 2018(10): 51-54.

算法	优点	缺点
XGBoost	分类效果出众；业务解释性好；预测速度快	模型复杂度高，容易过拟合
逻辑回归	实现简单；预测速度快；业务解释性好	当特征维度很高时，逻辑回归的数据处理过程工作量大；不能考虑特征之间的相关性；容易欠拟合、过拟合
随机森林	可以有效运行在大数据集上；模型泛化能力强；一般不需要额外做剪枝	容易过拟合；取值划分比较多的特征容易对决策产生更大的影响，进而影响拟合的模型效果
支持向量机	可处理非线性问题；能避免“维数灾难”；具有一定的稳健性	难以实施大规模训练样本；对缺失数据敏感；对参数和核函数的选择敏感
人工神经网络	分类准确度高；噪声神经有较强的稳健性和容错能力；具备联想记忆的功能	需要调整大量参数，如网络拓扑结构、权值和阈值等；输出结果难以解释；学习时间长，甚至可能达不到学习的目的

RFM拓展方案	描述	要素
统计对象	进行多维度交易行为刻画的主体	客户、账户、交易设备
统计窗口	根据当前交易向前追溯的历史交易范围（包括时间窗和频次窗），可分别描述当前交易主体的长期与短期行为画像	时间窗：短期窗以小时为单位，如1小时、24小时等，最长不超过48小时；长期窗则以月为单位，如1个月、3个月，最长不超过6个月；
		频次窗：3次、5次、10次
聚合函数	对统计变量进行深度特征挖掘的统计分析函数	连续型函数：最大值、最小值、和、均值等；
		离散型函数：计数、频次、比值等
统计变量	聚合函数的加工对象，即各类原始交易字段及衍生特征字段，根据字段属性可分为连续型变量和离散型变量	连续型变量是指在一定区间内可以任意取值的变量，如交易金额等；离散型变量是指有限固定取值、可列举的变量，如交易类型等

实际情况	预测结果
实际情况	正	负
正	true positive (TP)	false negative (FN)
负	false positive (FP)	true negative (TN)

专家规则判定	机器学习模型概率评分
专家规则判定	头部区域	中部区域	尾部区域
高风险	增强认证	增强认证	放行
低风险	增强认证	选择性增强认证	放行

数字金融时代机器学习模型在实时反欺诈中的应用与实践

Application and practice of machine learning model in real-time anti-fraud in the era of digital finance

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 7

相关文章 4

Metrics

推荐阅读 0

[1]	许辉. 基于深度Q学习的蜂窝车联网边路资源分配算法[J]. 智能科学与技术学报, 2023, 5(1): 83-91.
[2]	胡东伟, 冯晓璐. 大脑建模的理论框架及热点问题[J]. 智能科学与技术学报, 2021, 3(4): 412-434.
[3]	刘晨熙, 刘炳宏, 张贤, 龙新南, 彭木根. 面向智能服务的雾无线接入网络：原理、技术与挑战[J]. 智能科学与技术学报, 2021, 3(1): 10-17.
[4]	胡毅, 瞿博阳, 梁静, 王杰, 王艳丽. 进化集成学习算法综述[J]. 智能科学与技术学报, 2021, 3(1): 18-35.