神经网络模型在银行互联网金融反欺诈中的运用分析

刘力铭，孟 昉

（广州城市职业学院，广东 广州 514500）

0 引言

互联网金融为人们生活创造很多便利条件的同时，欺诈风险也随之增加，欺诈事件数目也有增长。面对日益见长的欺诈形式，应积极做好互联网金融的风险防控工作。为更好的满足欺诈事件精准化管理的现实需求，需要以大数据技术为基础建设智能风险控制模型，打造出定量标示与定性分析相结合的防控模式。本文以神经网络模型为始发点，较为详细的探究其在互联网金融反欺诈领域中的应用情况。

1 金融欺诈领域的问题分析

有资料记载，仅是在2016年一季度中全国网络诈骗金额达到了9.7亿元。欺诈手段层出不穷，比如电话诈骗、木马病毒、伪基站等。笔者认为，个人账户信息泄露是威胁账户资金安全性的主要因素，主要表现在如下两个方面：一是犯罪分子非法使用身份证、手机、银行卡号码等个人信息，借用冒名顶替与虚伪制造非法去蒙骗有关金融机构，虚假身份欺诈、伪卡欺诈等是主要的表现形式。二是犯罪分子可能会巧用个体购物清单、既往交易记录、登录时间等日常生活数据信息，勾画出隐在受害者行为习惯相应对的基础画像，在和其交流过程中使对方产生一定信任感而后进行欺诈，最后实现以非法途径占有他人财产，电信、互联网欺诈等是常见的表现形式。

2 互联网金融欺诈案件的特征分析

2.1 资金流动方向

和商行建设对接关系的第三方商户是被欺诈资金的主要流向，尤其聚集于一些高风险商户。有资料记载，在风险事件样本中，迅付与网银两家公司所占比例高于50.0%。另外，针对被欺诈资金的用途，通常是购置一些可能在短期内能够折现的商品，比如游戏、手机费及账户充值等。

2.2 注册事件

纵观网络金融欺诈风险事件，大概有二成以上的客户群体快支付注册和风险事件发生在同一日。这也就意味着欺诈者窃取客户个人信息后，开通快捷支付在前，而后在同一日操作风险案件。

2.3 欺诈金额

大体上＜5000元，表现出小金额欺诈的特征。其中＜2000元的欺诈活动所占比例高于70.0%。

2.4 欺诈案件发生区

多数情况下，客户正常网络金融交易所占地和欺诈风险案件发生地存在差异。目前，海南、南宁、玉林等是国内欺诈案件发生地的主要区域，其表现出地域性特征。

整体分析，欺诈风险案件一般具有客户、商户、产品、渠径等多维度特征，基于单一维度很难精确、快速的辨识出欺诈交易、故而，应综合分析多维度的风险特征，以大数据技术为基础构建风险控制模型，实现对风控管理的精确化。

3 神经网络模型原理及在金融反欺诈中的应用

3.1 原理

神经网络能够拟化人体大脑神经组织处理信息的模式，基于一定规则衔接多种处理单元，进而建设出一种依赖数据处理过程的计算机系统，针对外界传送的信息该系统能进行动态响应。针对系统输入、输出样本神经网络均能进行训练学习，高效率的处置复杂的非线性关系，这也是其在人工智能领域中广泛应用的主要原因，特别是网络金融风险控制模型内。历经数十年的发展历程后，已经形成了几种成熟度很高的神经网络模型，其中在反欺诈领域中BP神经网络模型的应用范畴最宽广[1]。

于反欺诈系统内建设BP神经网络模型，其工作流程可以作出如下阐述：首先，针对既往客户群体在交易活动中形成的大批量信息进行提取与预处理，这些信息数据不仅有正常交易信息，还有依靠多种渠道捕获的欺诈交易信息。针对经过预处理的数据将其叫做输入，将其导送到神经网络内进行训练，借此方式捕获到客户自体的既往交易行为与欺诈交易特征性数据，并测算出各数据对应的风险系数，摸索出不同风险特征间形成的相关性，将其统一存储于处理单元内。针对当下交易行为的数据进行预处理后，再将其整合至处理单元内，和既往交易及风险交易行为做对比，测算出当下金融交易活动中欺诈风险抵达的程度，经输出单元将结果输送出来，欺诈风险管理部门据此调查与处置反欺诈事件。此外，针对反欺诈事件的处置结果，数据反馈模块能准确校正系统。

3.2 应用

基于神经网络模型建设的商行互联网金融反欺诈系统，其最大的功能是能实时监测银行任何渠道进行的互联网金融业务运作态势。可以对商业银行全部客户终端开展的网络金融业务进行实时监测，网络贷款、理财、支付、电商等均是常见的被监控业务类型，这样便能顺利的获得和交易终端及支持平台、业务申请者个人身份、交易时间与地址等诸多行为特征性信息，提取出交易信息并将其作为反欺诈系统的输入数据。历经神经网络周密化测算过程后，定量测评业务交易阶段的欺诈风险概率，对外输送出风险级别，基本是低危、中危、高危交易三种类型。而后输出结果会被呈交给银行风险控制部门，该部门组织专员采用相对应的措施进行反欺诈处置，比如若确定输出结果是低危交易者时，系统将会对其采用直接放行通过的处理方法；而面对中危交易者时，风险控制部需要对其进行系统性的调查、分析、核查相关信息的真实性；针对高危交易者，系统将会智能化予以拦截，再将其交由有关部门作出下一步处置决断。基于BP神经网络构建的反欺诈系统在投用阶段，能实现“7×24”小时内动态提供风险事件自发生到结束整个过程的测评与分析结果。图1是神经网络模型下反欺诈系统的运作流程[2]。

图1 基于神经网络模型的反欺诈系统的运作流程图

客户群规模庞大、类型复杂、业务类别繁多等是银行网络金融业务的主要特征，反欺诈工作在推进过程中存有复杂化的非线性问题。以BP神经网络模型搭建反欺诈系统因为引进了隐藏层，故而能够深度分析银行网络金融交易活动中形成的大批量数据，探查大量既往数据阶段解读出欺诈事件发生、发展阶段的潜在规律，不间断的学习训练样本数据，将欺诈规律信息整体录入到网络内，具备自我学习、想象记忆等特征，最后达到智能化反欺诈。

当下，反欺诈领域中建设的智能化风控平台，不仅能动态化接入整个渠道的交易数据，还囊括了和客户、设备、地理方位等相关信息，布设了千余个风险特征性数据，从中择选出大概100个作为模型的输入，模型测算阶段耗时抵达了毫秒层级，能够动态、精准的测算出各笔交易活动的欺诈风险类型、规划其级别，据此采用相对应的风控手段，力争在事件运行过程中实现对交易活动的有效干预，减少欺诈事件造成的资金损失。

图2是神经网络在网络金融交易反欺诈领域中的一个典型场景。在2016年1月14日该模型正式上线，统计模型投运一个月内的情况，发现其精确截获百余笔欺诈交易活动，涉及金额过百万，模型的实测精确度高达27.8%，抵达业内的先进水平，这也预示着网络金融风控水平上升至一个新的阶层。模型后期应用阶段将会不断改进、完善，这也预示着其命中率将会不断提升。

图2 应用场景图

4 结束语

现阶段，我国各级政府部门积极倡导落实反欺诈工作，该项工作带有社会性属性，繁重而艰巨。故而，为高效率的落实该项工作，商行不仅要建设自身效力强大的反欺诈系统，还需和监管部门等建设密切的合作关系，实现协同性作战，主动加入互联网反欺诈联盟组织，构建功能强大的信息共享及联动协查体制，积极学习多样化的反欺诈技能方法，最大限度的增强自身的反欺诈能力水平。