深度学习在农村金融行业风险管理中的应用研究

于振+丁冰冰+刘永健

摘 要：农村金融在我国金融系统中占有重要地位，渠道广、客户多、数据大，且由于其金融主体特殊，农村经济及产业特殊，金融工具，组织结构等都较为复杂，客户群体防范意识和防范水平不高，金融业务存在巨大风险。而且，在许多欺诈案件中，欺诈分子更加狡猾，欺诈手段和技术更加先进，欺诈行为呈现集团化、流水化的特征。深度学习是近些年来学术界和工业界都较为关注的一种机器学习模型，适用于大数据、复杂场景下的数据分析和挖掘，同样在风险预警、风险管理中也有重要应用。该文结合农村金融系统中风险管理方面的实际情况，论述了深度学习在其中发挥的重要作用，同时也为同行业解决同样问题提供了一种新的思路。

关键词：深度学习 农村金融 风险管理

中图分类号：F832.35 文献标识码：A 文章编号：1672-3791（2017）05（c）-0248-02

农村金融业务可分为线下业务和在线业务，线下业务是传统交易渠道，如银行柜面、POS、ATM等，极易发生套现、伪卡等风险。在线业务在互联网环境中，由于交易发生在虚拟世界中，交易双方的真实身份难以验证，交易信息的真假难以辨别，作案手段更多变，存在巨大风险。数据显示，2014年PC端新增病毒1.37亿个，相对2013年增长33%；2014年移动端新增支付类病毒13.7万个，是2013年的3倍，共1 562万个移动设备被感染。研究发现，支付类的病毒在感染设备后，通过获取用户信息，进而控制手机、拦截短信验证码，以盗取在线账户财物或通过快捷支付通道进行盗卡套现，给持卡人和互联网支付公司带来较大资金损失。CNNIC 2013年9月份的调查显示，在被调查的人员中，74.1%的人在过去半年内遭遇过不同形式的欺诈威胁，其中涉及到资金损失的人均损失金额达到509.2元，推算全网2013年上半年的半年损失额达到196.3亿元，其中相当一部分是通过互联网支付通道销赃，互联网支付企业承担了较大的资金损失。因此，无论是线下业务还是线上业务，对于农村金融系统来说，都面临着数据量大，交易模式复杂，风险识别难度较大等挑战[1]。

1 当前现状及深度学习概述

1.1 当前现状

传统的风险管理系统通过分析业务流程，重点关注业务过程中存在的安全手段，如查询密码、支付密码、手机验证等，分析这些安全手段识别出风险行为，然后深入分析风险行为的特征，例如：时间异常、地点异常、行为异常、关联交易等，依据这些特征及其有意义的组合，制定有效的风控规则，最后通过风控规则构建风险控制模型，进行数据监控。由上所述，风控规则的制定至关重要，它决定了风险管理系统运行结果的准确性和有效性。在复杂的交易场景下，且随着现代化支付手段的不断更新和升级，若风控规则不能有针对性的进行优化和动态调整，风险管理系统的效率识别会受到影响，因此，能否使得通过风控规则构建出的风险控制模型具备一定的学习优化能力是衡量一个风控管理系统是否有效的重要标准。

1.2 深度学习概述

大脑表示信息的方式是通过感官信号从视网膜传递到前额大脑皮质再到运动神经的时间，推断出大脑皮质，并未直接地对数据进行特征提取处理，而是使接收到的刺激信号通过一个复杂的层状网络模型，进而获取观测数据展现的规则，也就是说人脑是根据经聚集和分解过程处理后的信息来识别物体。人类感知系统明确的层次结构极大地降低了视觉系统处理的数据量，并保留了物体有用的结构信息[2-3]。

深度学习的概念源于人工神经网络的研究，模仿人脑那样高效准确地表示信息，对于要提取具有潜在复杂结构规则的自然图像、视频、语音和音乐等结构丰富数据，深度学习能够获取其本质特征。深度学习是机器学习领域一个新的研究方向， 它是蕴含了很多个隐含层的深度神经网络，具备优异的特征学习的本领，能够更本质的抽象和表达数据，通过逐层的数据初始化来优化数据模型训练过程，进而提升模型预测分类的准确性。近年来在数据挖掘、计算机视觉、大数据处理分析等多类应用中取得突破性的进展，尤其在近两年利用深度学习的方法来处理金融数据更是掀起了研究及应用浪潮[3]。因此，如何利用新兴的机器学习技术有效地解决农村金融系统中风险管理的难题成为了该文论述的重点内容。

2 基于深度学习的风险管理系统

由前所述，目前的金融系统尤其是农村金融系统中，由于其主体、经济、工具、组织结构、业务场景等的特殊性都较为复杂，客户群体的防范意识和防范手段也并不充足，因此风险管理一直是农村金融系统所面临的一个重要挑战。

然而机器学习的兴起，尤其是近些年来深度学习的兴起，对于我们解决农村金融系统风险管理问题带来了一些启发。所谓的机器学习，即利用经验改善自身性能，是人工智能的核心。深度学习是目前机器学习领域研究最为前言且效果最佳的几种学习范式之一，尤其适用于海量数据，规则复杂的场景。下面该文重点论述深度学习如何在农村金融系统中应用。

2.1 数据采集

数据采集是风险管理的基础，为使风险管理系统能够提供便利与灵活的风险控制服务，需要采集来自业务系统的所有数据，包括用户信息数据，以及交易相关的数据等，将采集到的数据作为重要输入传递到风险管理系统。

2.2 风控引擎

我们将制定出的风险控制规则作为深度学习层级结构中的输入，通过其多个隐含层的深度神经网络，使其具备优异的特征学习的本领，模型的训练是有监督的学习过程，规则的权值是通过学习不断调整直到达到想要的效果，从而构建出风控引擎，见图1。

训练步骤如下：

（1）给输入变量权值设置初值，通常为随机的非零常数。

（2）选定训练集，即输入和对应的输出变量。

（3）求出感知机对应输入变量得到的输出Y。

（4）根据输出调整权值。

（5）如果某一项感知机输出等于训练集输出，学习停止；如果不等于，返回继续调整权值。

风控引擎能够实时判断采集到的交易数据和风控规则的匹配度，对支付流水进行实时处理，还要能够实时处理复杂的逻辑运算，包括时间窗口移动、波动性判断、集中度判断、连续递增、连续递减等。根据预设的风险指标对采集的所有静态、动态数据进行分析，得出各项风险指标。当交易触发规则时，在事中模式下，系统自动执行对应的管控策略，实现事中管控。

2.3 风控系统

将风控系统建立在基于大数据处理理念和能力的技术平台上，应具有极强的数据处理能力、精确的数据分析能力，能够提供强大、便利的反欺诈功能体系，包括风险匹配、规则管理、案件预警、案件核查、案件分析、等内容。同时，风控系统还应具备管理功能，包括參数的设置，规则的导入导出，策略的配置，权限的管理等。

3 结语

在我国农村金融行业的发展中，风险管理起步比较晚，风险管理方法和技术也难以满足业务快速发展。目前，农村金融行业中的风险管理侧重于风险的事中控制和事后补救，往往忽视了风险的事先预警。大量经验表明，在经营过程中，风险隐患发现得越早，其造成的损失比率就越低。因此，加强风险水平的事前监测与管理显得尤为重要。

该文的研究从我国农村金融行业风险管理所面临的挑战出发，结合当前业界最前沿的机器学习技术，阐释了深度学习在农村金融行业风险管理系统中应用的可能性，为行业内解决风险控制面临的难题提供了一种新的解决思路。

参考文献

[1] 潘群峰，石明虹.商业银行风险预警系统研究[J].现代管理科学，2003（10）：25-26.

[2] 韩小虎，徐鹏，韩森森.深度学习理论综述[J].计算机时代，2016（6）：107-110.

[3] 杨杰群.基于深度学习之股指期货交易[D].中国科学技术大学，2015.

[4] 刘建伟，刘媛，罗雄麟.深度学习研究进展[J].计算机应用研究，2014（7）：1921-1930.

[5] 张微.我国商业银行风险预警系统研究[D].天津财经大学，2009.