互联网贷款欺诈的形成机理与量化评估
发布时间：2022-01-22 22:42
随着互联网信贷业务的发展和信用风险评估体系的不断完善,欺诈风险成为阻碍互联网信贷业务发展的一个主要因素。文章整理了互联网信贷欺诈风险的表现形式,梳理了欺诈风险的形成过程,认为信贷机构要防控欺诈风险应针对欺诈风险特点,从欺诈酝酿、欺诈发生、欺诈传播的必备条件入手,建立欺诈风险评估体系,并采用实证分析法,通过真实业务案例和数据,构建基于CBiForest欺诈风险评估模型的一种比较优秀的量化评估方法,为互联网信贷机构防控欺诈风险提供参考。
【文章来源】：技术经济与管理研究. 2020,(11)北大核心
【文章页数】：5 页
【部分图文】：
长尾异常效应明显的变量示例
图1 长尾异常效应明显的变量示例在欺诈风险评估模型训练阶段，选择了Kmeans、孤立森林、CBi Forest三种算法进行训练，由于欺诈样本仅132例，占4000个样本的比例为3.325%，故采用三重交叉验证的方法进行建模。Kmeans是一种基于距离的异常检测方法，运用在欺诈风险评估中是将样本聚类为两类，数量较少的类被标记为异常客户群体，数量较多的类被标记为正常客户群体，每个客户到正常客户群体质心的距离记做异常分数，欺诈风险用异常分数表示，距离越大分数越高越异常。孤立森林(i Forest)也是一种常用的异常检测的方法，欺诈风险同样可以用异常分数表示，i Forest对样本进行分割，那些分布稀疏且离密度高的群体较远的离群点需要更多次的分割才能分出，因此i Forest的异常分数是每个点到根节点的平均距离，平均距离越近分数越大越异常。CBi Forest算法是聚类和孤立森林的综合，先对客户做Kmeans聚类，然后针对两类客群，分别训练i Forest模型，最后将Kmeans和i Forest异常分数使用和积法加权相加，得到CBi Forest最终分数，分数越高客户越异常，欺诈可能性越大。
在社会关系图谱方面，选择同一GPS、同一IP、同一设备号、同一银行卡等108个特征作为关联绘制社交图谱，选择Page Rank作为群体欺诈风险度量算法，测算风险系数和特征权重。在对一个8人可疑团体的评估中，根据业务逻辑放大同一设备号这一特征权重4倍后，这8人的亲密程度变化如图3。相应地，欺诈风险系数也发生了变化（如表4所示），最终的风险系数结果显示1、2、6号存在群体欺诈风险。后期就这一情况及时和业务人员反馈，经过调查发现1号客户在多家贷款机构存在违约记录，2号客户和6号客户都与1号客户交往密切，属于一度亲密关联人，行为存在异常，具有群体骗贷的特征。说明包括Page Rank算法在内的人工智能算法在群体欺诈风险度量方面具有效力，具备应用条件。
【参考文献】：
期刊论文
[1]加强金融反欺诈能力建设[J]. 苏保祥. 中国金融. 2018(10)
[2]互联网+银行:我国传统商业银行风险管理新变革[J]. 宋首文,代芊,柴若琪. 财经科学. 2015(07)
[3]互联网信贷、信用风险管理与征信[J]. 中国人民银行征信中心与金融研究所联合课题组,纪志宏,王晓明,曹凝蓉,金中夏,伍旭川,黄余送,张晓艳. 金融研究. 2014(10)
硕士论文
[1]商业银行信贷业务欺诈风险的智能化管理案例研究[D]. 张韦韦.西南财经大学 2017
[2]银行信用卡反欺诈系统的设计与实现[D]. 田潇.湖南大学 2016
[3]基于神经网络的银行卡反欺诈系统模型的改进及其实证[D]. 周鸣.华东师范大学 2007
本文编号：3603045
【文章来源】：技术经济与管理研究. 2020,(11)北大核心
【文章页数】：5 页
【部分图文】：
长尾异常效应明显的变量示例
图1 长尾异常效应明显的变量示例在欺诈风险评估模型训练阶段，选择了Kmeans、孤立森林、CBi Forest三种算法进行训练，由于欺诈样本仅132例，占4000个样本的比例为3.325%，故采用三重交叉验证的方法进行建模。Kmeans是一种基于距离的异常检测方法，运用在欺诈风险评估中是将样本聚类为两类，数量较少的类被标记为异常客户群体，数量较多的类被标记为正常客户群体，每个客户到正常客户群体质心的距离记做异常分数，欺诈风险用异常分数表示，距离越大分数越高越异常。孤立森林(i Forest)也是一种常用的异常检测的方法，欺诈风险同样可以用异常分数表示，i Forest对样本进行分割，那些分布稀疏且离密度高的群体较远的离群点需要更多次的分割才能分出，因此i Forest的异常分数是每个点到根节点的平均距离，平均距离越近分数越大越异常。CBi Forest算法是聚类和孤立森林的综合，先对客户做Kmeans聚类，然后针对两类客群，分别训练i Forest模型，最后将Kmeans和i Forest异常分数使用和积法加权相加，得到CBi Forest最终分数，分数越高客户越异常，欺诈可能性越大。
在社会关系图谱方面，选择同一GPS、同一IP、同一设备号、同一银行卡等108个特征作为关联绘制社交图谱，选择Page Rank作为群体欺诈风险度量算法，测算风险系数和特征权重。在对一个8人可疑团体的评估中，根据业务逻辑放大同一设备号这一特征权重4倍后，这8人的亲密程度变化如图3。相应地，欺诈风险系数也发生了变化（如表4所示），最终的风险系数结果显示1、2、6号存在群体欺诈风险。后期就这一情况及时和业务人员反馈，经过调查发现1号客户在多家贷款机构存在违约记录，2号客户和6号客户都与1号客户交往密切，属于一度亲密关联人，行为存在异常，具有群体骗贷的特征。说明包括Page Rank算法在内的人工智能算法在群体欺诈风险度量方面具有效力，具备应用条件。
【参考文献】：
期刊论文
[1]加强金融反欺诈能力建设[J]. 苏保祥. 中国金融. 2018(10)
[2]互联网+银行:我国传统商业银行风险管理新变革[J]. 宋首文,代芊,柴若琪. 财经科学. 2015(07)
[3]互联网信贷、信用风险管理与征信[J]. 中国人民银行征信中心与金融研究所联合课题组,纪志宏,王晓明,曹凝蓉,金中夏,伍旭川,黄余送,张晓艳. 金融研究. 2014(10)
硕士论文
[1]商业银行信贷业务欺诈风险的智能化管理案例研究[D]. 张韦韦.西南财经大学 2017
[2]银行信用卡反欺诈系统的设计与实现[D]. 田潇.湖南大学 2016
[3]基于神经网络的银行卡反欺诈系统模型的改进及其实证[D]. 周鸣.华东师范大学 2007
本文编号：3603045
本文链接：https://www.wllwen.com/jingjilunwen/huobiyinxinglunwen/3603045.html
