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

doi:10.11959/j.issn.2096-6652.201939

您当前的位置：

首页 >

文章列表页 >

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

学术论文 | 更新时间：2024-06-05

- 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
- 智能科学与技术学报 2019年1卷第4期页码：342-351
- 作者机构：
- 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" ]
- 基金信息：
- DOI：10.11959/j.issn.2096-6652.201939
  中图分类号： TP391
- 网络出版日期：2019-12，
  
  纸质出版日期：2019-12-20
- 稿件说明：
移动端阅览
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.
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. DOI： 10.11959/j.issn.2096-6652.201939.

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. DOI： 10.11959/j.issn.2096-6652.201939.

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。

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.

关键词

Keywords

references

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 .

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.

FRIEDMAN J H . Greedy function approximation:a gradient boosting machine [J ] . The Annals of Statistics , 2001 , 29 ( 5 ): 1189 - 1232 .

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 .

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 .

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 .

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 .

浏览量

268

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于机器学习的GitHub企业影响力分析与预测

基于深度Q学习的蜂窝车联网边路资源分配算法

大脑建模的理论框架及热点问题

进化集成学习算法综述