隨著互聯(lián)網(wǎng)信貸業(yè)務(wù)的發(fā)展和信用風(fēng)險(xiǎn)評(píng)估體系的不斷完善,欺詐風(fēng)險(xiǎn)成為阻礙互聯(lián)網(wǎng)信貸業(yè)務(wù)發(fā)展的一個(gè)主要因素。文章整理了互聯(lián)網(wǎng)信貸欺詐風(fēng)險(xiǎn)的表現(xiàn)形式,梳理了欺詐風(fēng)險(xiǎn)的形成過(guò)程,認(rèn)為信貸機(jī)構(gòu)要防控欺詐風(fēng)險(xiǎn)應(yīng)針對(duì)欺詐風(fēng)險(xiǎn)特點(diǎn),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(fēng)險(xiǎn)評(píng)估體系,并采用實(shí)證分析法,通過(guò)真實(shí)業(yè)務(wù)案例和數(shù)據(jù),構(gòu)建基于CBiForest欺詐風(fēng)險(xiǎn)評(píng)估模型的一種比較優(yōu)秀的量化評(píng)估方法,為互聯(lián)網(wǎng)信貸機(jī)構(gòu)防控欺詐風(fēng)險(xiǎn)提供參考。 

【文章來(lái)源】：技術(shù)經(jīng)濟(jì)與管理研究. 2020,(11)北大核心

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

長(zhǎng)尾異常效應(yīng)明顯的變量示例

圖1 長(zhǎng)尾異常效應(yīng)明顯的變量示例在欺詐風(fēng)險(xiǎn)評(píng)估模型訓(xùn)練階段，選擇了Kmeans、孤立森林、CBi Forest三種算法進(jìn)行訓(xùn)練，由于欺詐樣本僅132例，占4000個(gè)樣本的比例為3.325%，故采用三重交叉驗(yàn)證的方法進(jìn)行建模。Kmeans是一種基于距離的異常檢測(cè)方法，運(yùn)用在欺詐風(fēng)險(xiǎn)評(píng)估中是將樣本聚類為兩類，數(shù)量較少的類被標(biāo)記為異�？蛻羧后w，數(shù)量較多的類被標(biāo)記為正�？蛻羧后w，每個(gè)客戶到正�？蛻羧后w質(zhì)心的距離記做異常分?jǐn)?shù)，欺詐風(fēng)險(xiǎn)用異常分?jǐn)?shù)表示，距離越大分?jǐn)?shù)越高越異常。孤立森林(i Forest)也是一種常用的異常檢測(cè)的方法，欺詐風(fēng)險(xiǎn)同樣可以用異常分?jǐn)?shù)表示，i Forest對(duì)樣本進(jìn)行分割，那些分布稀疏且離密度高的群體較遠(yuǎn)的離群點(diǎn)需要更多次的分割才能分出，因此i Forest的異常分?jǐn)?shù)是每個(gè)點(diǎn)到根節(jié)點(diǎn)的平均距離，平均距離越近分?jǐn)?shù)越大越異常。CBi Forest算法是聚類和孤立森林的綜合，先對(duì)客戶做Kmeans聚類，然后針對(duì)兩類客群，分別訓(xùn)練i Forest模型，最后將Kmeans和i Forest異常分?jǐn)?shù)使用和積法加權(quán)相加，得到CBi Forest最終分?jǐn)?shù)，分?jǐn)?shù)越高客戶越異常，欺詐可能性越大。

在社會(huì)關(guān)系圖譜方面，選擇同一GPS、同一IP、同一設(shè)備號(hào)、同一銀行卡等108個(gè)特征作為關(guān)聯(lián)繪制社交圖譜，選擇Page Rank作為群體欺詐風(fēng)險(xiǎn)度量算法，測(cè)算風(fēng)險(xiǎn)系數(shù)和特征權(quán)重。在對(duì)一個(gè)8人可疑團(tuán)體的評(píng)估中，根據(jù)業(yè)務(wù)邏輯放大同一設(shè)備號(hào)這一特征權(quán)重4倍后，這8人的親密程度變化如圖3。相應(yīng)地，欺詐風(fēng)險(xiǎn)系數(shù)也發(fā)生了變化（如表4所示），最終的風(fēng)險(xiǎn)系數(shù)結(jié)果顯示1、2、6號(hào)存在群體欺詐風(fēng)險(xiǎn)。后期就這一情況及時(shí)和業(yè)務(wù)人員反饋，經(jīng)過(guò)調(diào)查發(fā)現(xiàn)1號(hào)客戶在多家貸款機(jī)構(gòu)存在違約記錄，2號(hào)客戶和6號(hào)客戶都與1號(hào)客戶交往密切，屬于一度親密關(guān)聯(lián)人，行為存在異常，具有群體騙貸的特征。說(shuō)明包括Page Rank算法在內(nèi)的人工智能算法在群體欺詐風(fēng)險(xiǎn)度量方面具有效力，具備應(yīng)用條件。

【參考文獻(xiàn)】：
期刊論文
[1]加強(qiáng)金融反欺詐能力建設(shè)[J]. 蘇保祥.  中國(guó)金融. 2018(10)
[2]互聯(lián)網(wǎng)+銀行:我國(guó)傳統(tǒng)商業(yè)銀行風(fēng)險(xiǎn)管理新變革[J]. 宋首文,代芊,柴若琪.  財(cái)經(jīng)科學(xué). 2015(07)
[3]互聯(lián)網(wǎng)信貸、信用風(fēng)險(xiǎn)管理與征信[J]. 中國(guó)人民銀行征信中心與金融研究所聯(lián)合課題組,紀(jì)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(wù)欺詐風(fēng)險(xiǎn)的智能化管理案例研究[D]. 張韋韋.西南財(cái)經(jīng)大學(xué) 2017
[2]銀行信用卡反欺詐系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 田瀟.湖南大學(xué) 2016
[3]基于神經(jīng)網(wǎng)絡(luò)的銀行卡反欺詐系統(tǒng)模型的改進(jìn)及其實(shí)證[D]. 周鳴.華東師范大學(xué) 2007



本文編號(hào)：3603045