近10年來，中國互聯網金融處于一個高速發展的階段，傳統商業銀行也紛紛融入發展洪流當中。2015年3月，工商銀行在北京發布了互聯網金融品牌“e-ICBC”，推出”融e購”電商平臺、”融e聯”即時通信平臺、”融e行”直銷銀行平臺三大平臺，推進了工商銀行互聯網金融業務的發展速度。

　　然而，在互聯網金融給人們生活提供便利的同時，欺詐風險也隨之增大，欺詐事件也隨之增加。騰訊QQ安全情報中心發布的2016年第一季度《反電信網絡詐騙大數據季度報告》中顯示，今年一季度全國網絡詐騙金額高達9.7億元。欺詐手段呈現多樣化，如電話詐騙、木馬病毒、偽基站、釣魚網站等。其中，釣魚網站占據互聯網安全風險事件的64%。欺詐涉案金額高、受害者多，如“e租寶”事件涉案金額達到500多億元，造成90多萬投資者的資金損失。此外，網絡欺詐已形成了一套完整的黑色產業鏈，其規模龐大、行動迅速、協同化程度高、大數據應用加快、犯罪行為滲透互聯網金融業務各個環節，每年斂財或超千億元。

　　嚴峻的欺詐形勢給互聯網金融的風險防控帶來了巨大挑戰。為此，互聯網金融機構采取了相應的風險防控措施：①終端保護，與殺毒廠商合作，在終端及時查殺木馬病毒、封殺假冒網站等；②用戶認證，通過實名管理、黑名單、人臉識別、二代U盾、電子密碼器等手段對客戶進行身份認證；③隱私保護，進行信息分級，對信息存儲、訪問和傳輸進行安全控制；④賬戶保護，通過數字證書和動態口令進行賬戶保護；⑤交易保護，對交易行為進行監控及識別，交易風險實時控制。

　　在欺詐手段多樣化、網絡欺詐黑色產業化、人力成本上升的背景下，現有的風險防控措施已難于滿足精準化管理的需求，因此迫切需要建立基于大數據處理技術的智能風控模型，形成定量標示和定性分析的風險防控模式，實現精準的欺詐風險識別。本文將以智能風控模型中的神經網絡模型為出發點，針對互聯網金融欺詐案件特征，著重介紹神經網絡模型在互聯網金融反欺詐領域的研究與實踐，探討未來互聯網金融的實踐拓展。

一、互聯網金融欺詐案件特征分析

　　互聯網金融一方面強調客戶交易的便捷性，另一方面卻降低了交易的安全性，給欺詐分子帶來可乘之機。本文以2015年8月至12月實際發生的風險事件為例，從欺詐手段、資金流向、注冊時間、欺詐金額、欺詐發生地區來分析案件特征。

　　1.欺詐手段及典型案例

　　對欺詐手段進行分析可知，釣魚網站是欺詐分子采取的主要手段，占總風險事件的70.2%；木馬病毒占8.2%。

　　釣魚網站典型案例：客戶稱其收到銀行發送的短信，內容為“尊敬的用戶，您的××銀行賬戶因未核實個人身份信息，已被凍結，請登錄：wap.lczno.com按提示核實認證解凍。”客戶登錄該欺詐網址，輸入姓名、卡號、身份證號、手機號等要素之后，賬戶資金即被盜取。

　　木馬病毒典型案例：客戶稱其收到一條短信，內容為“××您好！這是您孩子本學期各科學習情況和我校評語t.cn/RqLomI。”客戶點開短信，手機屏幕呈白屏狀態，卡內資金即被盜取。

　　2.資金流向

　　被欺詐資金主要流向與商業銀行對接的第三方商戶，特別集中在一些高風險商戶，例如，迅付和網銀在線兩家公司約占總風險事件的51.6%；此外，這些被欺詐資金往往用于購買可以快速折現的商品，如游戲充值、話費充值、賬戶充值等，其中游戲充值占比最大，達到43%。

　　3.注冊時間

　　在約有25%以上的欺詐風險事件中，客戶的快捷支付注冊與風險事件案發日期為同一天；也就是欺詐分子盜取客戶信息后，先開通快捷支付，然后在同一天進行作案。

　　4.欺詐金額

　　基本都在5000元以下，呈現出欺詐金額小的特征。其中，2000元以下的欺詐交易2372筆，占總風險事件的71.4%。

　　5.欺詐發生地區

　　客戶正常交易地區與欺詐發生地區通常是不同的，欺詐發生地區主要集中在海南、廣西南寧、廣西玉林等，具有顯著的地域性特征。

　　通過上述案件特征分析可知，欺詐風險事件通常具備客戶、商戶、產品、渠道等多維度的風險特征，而單個維度難于識別欺詐交易。因此，需綜合考慮多維度風險特征，建立基于大數據處理技術的智能風控模型，實現精準識別欺詐交易。

二、神經網絡模型在反欺詐領域的技術研究

　　神經網絡模型是一種常用的智能風控模型，是以神經元（其結構如圖1所示）為基礎單元、模仿動物神經網絡行為特征的數學模型，其關鍵要素包括學習規則和拓撲結構。其中，向后反饋（Back Propagation，BP）算法是神經網絡模型的一種常用學習規則，具有很好的持久性和適時預報性。

　　神經網絡模型的拓撲結構由輸入層、隱含層和輸出層共同構成。輸入層的每個節點分別對應預測變量，輸出層的節點對應目標變量，在輸入層和輸出層之間是隱含層，各層之間通過激活函數和節點權值（或權重）連接在一起，形成一個學習網絡拓撲結構，然后利用此結構進行反復神經網絡學習，直至達到預期目標，所得的權值就是由BP算法學習得到的最優結果。

　　在金融交易反欺詐領域中，神經網絡模型是一種欺詐風險量化模型，它運用大數據分析和模型挖掘技術，從客戶、商戶、產品、渠道等維度挖掘出風險特征，對金融交易進行風險評分，預測未知欺詐概率。模型方法論的核心思想是：通過學習海量客戶的歷史交易數據以及相關信息（如客戶、商戶等信息），獲取客戶自身的歷史交易行為模式，將當前交易行為與歷史交易行為模式相比較，分析差異性，預測當前交易的風險程度；差異性越大，風險程度越高。

　　神經網絡模型的數據建模過程如圖2所示，可分為五個步驟：數據采集、數據探索、風險特征挖掘、模型訓練以及模型測試，這五個步驟之間逐層遞進并可向前反復迭代。

　　1.數據采集

　　基于Hadoop開源式的大數據分布式處理技術平臺，整合內外部豐富的基礎數據，包括本行的客戶個人數據信息、電子銀行賬戶聚合數據信息、線下金融交易數據，以及相關的各類交易日志如線上渠道的交易與結算日志、服務交付類日志等；還包括外部數據信息，涉及人民銀行、法院、公安部、檢察院、工商總局、環保總局、海關總署等多個數據源，收集了刑事犯罪信息、商業犯罪信息、金融詐騙涉案賬戶信息、網絡犯罪信息、單位違法賬戶信息，以及來自國際銀行安全組織、國際反欺詐組織、國際銀行同業的各類欺詐信息等。

　　2.數據探索

　　所采集的交易數據涵蓋了網上銀行、手機銀行、電話銀行、短信銀行、ATM、POS、智能終端等各個渠道，這些渠道又覆蓋了存折、借記卡、準貸記卡、貸記卡等介質；因此，需要對各渠道、介質的關聯關系進行分析與探索，將這些數據按照時間緯度、金額緯度、交易類別、交易狀況等分別進行統計，分析交易行為的主要特征。對于客戶數據，應跨越不同渠道來歸集客戶相關的屬性，如年齡、賬齡、教育程度、地域等要素，建立客戶畫像檔案，描述客戶特征。對于商戶數據，應根據商戶信用評級信息、產品銷售量、商戶類別等要素，建立商戶檔案，劃分商戶風險等級。

　　3.風險特征挖掘

　　在對交易、客戶、商戶、設備、地理位置等數據進行深入分析之后，以時間、頻率、金額、距離、比例等統計口徑，初步構建了10 000多個風險特征，如近30分鐘交易總金額、近1小時同一設備登錄次數等；運用大數據處理技術，計算每個風險特征對欺詐識別的貢獻能力，以及風險特征之間的相關性；然后選取出貢獻能力強、相關性弱的風險特征，作為神經網絡模型的預測變量。

　　4.模型訓練

　　訓練樣本是由正常交易數據與欺詐交易數據組成的，其中，欺詐交易數據與正常交易數據之間比例相差非常懸殊（欺詐交易占比不到萬分之一）。為了提升欺詐交易在訓練樣本中的占比，對正常交易數據按照一定比例抽樣，而欺詐交易數據則全部選取。由于模型訓練是一個多次反復的過程，并且涉及的訓練樣本數據量巨大，運用大數據技術處理平臺，可以加快神經網絡模型的訓練速度。

　　5.模型測試

　　測試樣本由沒有參與模型訓練的生產數據構成，對訓練好后的神經網絡模型進行測試，評估模型的性能表現。評價模型的性能主要有兩個指標：ADR和AFPR。其中，ADR指欺詐賬戶的檢測率，這個比率越高，說明偵測到的欺詐賬戶越多，從而減少了“漏網之魚”；AFPR指模型檢測出的欺詐賬戶中假欺詐賬戶（即正常賬戶）與欺詐賬戶的比率，這個比率越低，說明將正常賬戶誤判為欺詐賬戶的事件就越少，從而減少干擾正常客戶。通常單獨觀察ADR或AFPR其意義不大，需將兩者統一考慮；AFPR與ADR的關系就相當于成本與收益的關系，因而，一個較好的模型是在保持AFPR不變的情況下具有更大的ADR。

　　如圖3所示，圖中“20:1的AFPR可以達到52%的ADR”表示的業務含義為：在“每次正確抓住1個欺詐賬戶就會把20個正常賬戶誤判為欺詐”的條件下，可將欺詐賬戶中的52%賬戶識別出來；最終該效果已達到了業務的要求。

三、神經網絡模型在互聯網金融交易反欺詐的應用實踐

　　工商銀行在互聯網金融反欺詐領域的探索和研究開始較早，積極打造了新一代智能化風險監控平臺，除了實時接入了全渠道交易數據，還整合了客戶信息、設備信息、地理位置信息、交易日志等數據；部署了超過1000個風險特征，選取其中約100個風險特征作為神經網絡模型的輸入（神經網絡模型的計算結構如圖4所示）；其模型計算耗時為毫秒級別，能夠實時判斷每筆交易的欺詐風險，劃分風險等級，并根據不同風險等級采取對應的風險控制策略，實現事中干預交易，及時挽回欺詐資金損失。

　　神經網絡模型在互聯網金融交易反欺詐的應用場景如圖5所示。該模型于2016年1月16日正式部署上線，截至3月15日，已準確攔截欺詐交易近百筆，涉及金額超過百萬元，模型的實際準確率達26.3%，達到業界的先進水平，互聯網金融風險防控水平提升到了一個新的階段。隨著后續模型持續優化，還將進一步提升模型的命中率。

四、神經網絡模型在未來互聯網金融的實踐拓展

　　AlphaGo圍棋人機大戰激發了人們對人工智能的極大關注和熱情，特別是對神經網絡技術的興趣。2016年3月，AlphaGo以4:1戰勝世界圍棋冠軍，顯示出神經網絡的強大學習能力，其工作原理主要采用了深度學習方法，并且該方法在圖像處理、語音識別、自然語言處理等領域取得了巨大突破。在互聯網金融領域中，同樣可以運用深度學習方法來訓練神經網路模型，進一步提升模型的性能。此外，還可構建神經網絡模型在線自學習能力，實現自動調整模型的權值參數，以應對不斷變化的欺詐風險。

　　神經網絡模型還可以拓展到互聯網金融營銷應用領域。業務人員需要對互聯網金融客戶進行精確評價和定位，以提升營銷的成功率。預測客戶營銷的成功率與預測交易的欺詐概率在本質上是相通的。同樣地，可以運用神經網絡模型來挖掘出客戶的生活消費習慣，預測出客戶營銷的成功率，為業務人員提供參考，有利于降低銀行的營銷成本，提高營銷效益。
　　
（文章來源：中國金融電腦雜志）

掃碼即可手機
閱讀轉發此文