隨著互聯(lián)網(wǎng)信貸業(yè)務的發(fā)展和信用風險評估體系的不斷完善,欺詐風險成為阻礙互聯(lián)網(wǎng)信貸業(yè)務發(fā)展的一個主要因素。文章整理了互聯(lián)網(wǎng)信貸欺詐風險的表現(xiàn)形式,梳理了欺詐風險的形成過程,認為信貸機構要防控欺詐風險應針對欺詐風險特點,從欺詐醞釀、欺詐發(fā)生、欺詐傳播的必備條件入手,建立欺詐風險評估體系,并采用實證分析法,通過真實業(yè)務案例和數(shù)據(jù),構建基于CBiForest欺詐風險評估模型的一種比較優(yōu)秀的量化評估方法,為互聯(lián)網(wǎng)信貸機構防控欺詐風險提供參考。 

【文章來源】：技術經(jīng)濟與管理研究. 2020,(11)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

長尾異常效應明顯的變量示例

圖1 長尾異常效應明顯的變量示例在欺詐風險評估模型訓練階段，選擇了Kmeans、孤立森林、CBi Forest三種算法進行訓練，由于欺詐樣本僅132例，占4000個樣本的比例為3.325%，故采用三重交叉驗證的方法進行建模。Kmeans是一種基于距離的異常檢測方法，運用在欺詐風險評估中是將樣本聚類為兩類，數(shù)量較少的類被標記為異�？蛻羧后w，數(shù)量較多的類被標記為正常客戶群體，每個客戶到正�？蛻羧后w質心的距離記做異常分數(shù)，欺詐風險用異常分數(shù)表示，距離越大分數(shù)越高越異常。孤立森林(i Forest)也是一種常用的異常檢測的方法，欺詐風險同樣可以用異常分數(shù)表示，i Forest對樣本進行分割，那些分布稀疏且離密度高的群體較遠的離群點需要更多次的分割才能分出，因此i Forest的異常分數(shù)是每個點到根節(jié)點的平均距離，平均距離越近分數(shù)越大越異常。CBi Forest算法是聚類和孤立森林的綜合，先對客戶做Kmeans聚類，然后針對兩類客群，分別訓練i Forest模型，最后將Kmeans和i Forest異常分數(shù)使用和積法加權相加，得到CBi Forest最終分數(shù)，分數(shù)越高客戶越異常，欺詐可能性越大。

在社會關系圖譜方面，選擇同一GPS、同一IP、同一設備號、同一銀行卡等108個特征作為關聯(lián)繪制社交圖譜，選擇Page Rank作為群體欺詐風險度量算法，測算風險系數(shù)和特征權重。在對一個8人可疑團體的評估中，根據(jù)業(yè)務邏輯放大同一設備號這一特征權重4倍后，這8人的親密程度變化如圖3。相應地，欺詐風險系數(shù)也發(fā)生了變化（如表4所示），最終的風險系數(shù)結果顯示1、2、6號存在群體欺詐風險。后期就這一情況及時和業(yè)務人員反饋，經(jīng)過調查發(fā)現(xiàn)1號客戶在多家貸款機構存在違約記錄，2號客戶和6號客戶都與1號客戶交往密切，屬于一度親密關聯(lián)人，行為存在異常，具有群體騙貸的特征。說明包括Page Rank算法在內(nèi)的人工智能算法在群體欺詐風險度量方面具有效力，具備應用條件。

【參考文獻】：
期刊論文
[1]加強金融反欺詐能力建設[J]. 蘇保祥.  中國金融. 2018(10)
[2]互聯(lián)網(wǎng)+銀行:我國傳統(tǒng)商業(yè)銀行風險管理新變革[J]. 宋首文,代芊,柴若琪.  財經(jīng)科學. 2015(07)
[3]互聯(lián)網(wǎng)信貸、信用風險管理與征信[J]. 中國人民銀行征信中心與金融研究所聯(lián)合課題組,紀志宏,王曉明,曹凝蓉,金中夏,伍旭川,黃余送,張曉艷.  金融研究. 2014(10)

碩士論文
[1]商業(yè)銀行信貸業(yè)務欺詐風險的智能化管理案例研究[D]. 張韋韋.西南財經(jīng)大學 2017
[2]銀行信用卡反欺詐系統(tǒng)的設計與實現(xiàn)[D]. 田瀟.湖南大學 2016
[3]基于神經(jīng)網(wǎng)絡的銀行卡反欺詐系統(tǒng)模型的改進及其實證[D]. 周鳴.華東師范大學 2007



本文編號：3603045