近年来,伴随移动互联网、虚拟现实等技术的飞速发展,银行服务模式日趋多样化。在客户享受灵活便捷服务的同时,银行欺诈风险呈现出更加隐蔽、专业的特点,发展出更多的作案手法和表现形式。传统欺诈检测通常依赖专家规则、黑名单库等方法,已经不能适应新的欺诈挑战。银行亟需研究并应用先进的机器学习算法,以数据价值为驱动建立智能化的风险预测模型,以此作为欺诈风险防范的强力手段。
一、银行反欺诈发展趋势
国内外银行在传统反欺诈管理中主要依赖专家经验,通过人工方式制定检测规则,当申请或交易信息与反欺诈规则匹配后即执行相应的业务策略。这种管理模式得出的反欺诈规则存在一定的局限性,不能枚举所有业务场景,无法对各类欺诈行为进行全面覆盖。与此对应,欺诈者会针对性的对已有规则进行回避,导致专家规则处于被动调整的位置,无法跟上欺诈手段的更新换代[1, 2]。另外,当专家规则积累达到一定数量后误报率通常会比较高,能够影响到实际风险决策制定和实际业务开展。
机器学习是一种重要的金融科技创新手段,近年来在国内外金融机构和金融科技企业中被尝试应用到风险防范、反欺诈等领域。例如花旗银行、美国银行、汇丰银行等机构广泛应用逻辑回归、神经网络等技术以提升欺诈识别能力;京东金融与ZestFinance组建的合资公司以数据挖掘建模为核心竞争力,在反欺诈领域深入应用机器学习技术以发挥大数据价值。机器学习是一种研究机器获取新知识和新技能,并识别现有知识的方法[3];通常针对大规模数据集进行全方位综合考量,挖掘深层次业务场景特征进而建立监督、无监督等类型的学习模型,在大量应用中模型的准确性、稳定性也得到了充分验证[4]。
为此,我们针对信用卡申请审批这一典型业务场景,应用机器学习技术进行欺诈风险管理并设计数据产品对异常客户进行监控预警。区别于将机器学习技术应用到单一反欺诈规则制定的