自助设备套取手续费行为识别方法及系统技术方案

本发明专利技术公开了自助设备套取手续费行为识别方法及系统，属于金融风险行业的大数据分析领域，本发明专利技术要解决的技术问题为如何提高金融机构客户筛查效率，降低套取手续费行为给银行带来的资产损失，采用的技术方案为：该方法具体及如下：设定训练样本时间区间，确定样本特征数据获取范围；通过对选取样本特征数据的深入分析以及银行业务人员调研沟通，筛选业务特征变量；整合行内交易数据与跨行交易数据，进行特征数据标准化归一化处理；将样本数据投入决策树过滤器中，并利用人工智能算法训练出风险行为树模型，即采用决策树算法对特征变量进行训练构建风险行为树模型；利用识风险行为树模型预测风险行为发生概率。模型预测风险行为发生概率。模型预测风险行为发生概率。

【技术实现步骤摘要】
自助设备套取手续费行为识别方法及系统


[0001]本专利技术涉及金融风险行业的大数据分析领域，具体地说是一种自助设备套取手续费行为识别方法及系统。

技术介绍

[0002]对套取手续需风险行为的识别是银行风险管理的必要组成部分。识别的主要目的是有效筛查可疑客户、防止风险行为带来的银行资产损失，防范银行卡用卡风险、堵塞风险漏洞，但在实际业务执行过程中，金融机构对于交易风险识别主要面临以下问题：
[0003]一是传统的技术基于传统规则引擎，考虑风险因素单一，仍侧重于当时试点单笔交易的风险判别，缺乏对于历史交易行为及群体性交易行为维度的考量，不能有效识别风险行为；
[0004]二是规则引擎只能在行为风险发生后做出识别，无法做到事前预警；
[0005]三是产生风险预警后，金融机构需要进一步进行核实，对模型的业务“可解释性”提出了挑战。
[0006]故如何提高金融机构客户筛查效率，降低套取手续费行为给银行带来的资产损失是目前亟待解决的技术问题。

技术实现思路

[0007]本专利技术的技术任务是提供一种自助设备套取手续费行为识别方法及系统，来解决如何提高金融机构客户筛查效率，降低套取手续费行为给银行带来的资产损失的问题。
[0008]本专利技术的技术任务是按以下方式实现的，一种自助设备套取手续费行为识别方法，该方法具体及如下：
[0009]设定训练样本时间区间，确定样本特征数据获取范围；
[0010]通过对选取样本特征数据的深入分析以及银行业务人员调研沟通，筛选业务特征变量；
[0011]整合行内交易数据与跨行交易数据，进行特征数据标准化归一化处理；
[0012]将样本数据投入决策树过滤器中，并利用人工智能算法训练出风险行为树模型，即采用决策树算法对特征变量进行训练构建风险行为树模型；
[0013]利用识风险行为树模型预测风险行为发生概率。
[0014]作为优选，业务特征变量的类型包括唯一性标识、账户属性、客户属性、账户资产属性和账户交易属性；
[0015]唯一性标识对应的特征变量包括客户号；
[0016]账户属性对应的特征变量包括账户类型、卡种、卡状态、是否开通短信通知、是否开通网银、是否开通手机银行及代发工资标志；
[0017]客户属性对应的特征变量包括客户年龄、客户持有卡张数、客户性别、客户籍贯及客户总资产；
[0018]账户资产属性对应的特征变量包括是否转入10000整数倍金额、日终保持小额资金的天数、日终保持小额资金的月均天数、月日均余额、季日均余额及年日均余额。
[0019]更优地，账户交易属性对应的特征变量包括最频繁交易金额区间段、日累进累出金额一致的年累计天数、日累进累出金额一致的月均天数、转账转出特定金额交易总次数、转账转出特定金额月均交易总次数、转账转入特定金额交易总次数、转账转入特定金额月均交易总次数、取现特定金额交易总次数、取现特定金额月均交易总次数、转账转出最频繁行名、日平均交易笔数、月平均交易笔数、季平均交易笔数、年平均交易笔数、日平均交易金额、月平均交易金额、季平均交易金额、年平均交易金额、日最大交易笔数、日最小交易笔数、日最大交易金额、日最小交易金额、月最大交易笔数、月最小交易笔数、月最大交易金额、月最小交易金额、季最大交易笔数、季最小交易笔数、季最大交易金额、季最小交易金额、年最大交易笔数、年最小交易笔数、年最大交易金额、年最小交易金额、月平均交易天数、季平均交易天数、年平均交易天数、年累计交易天数、年累计交易笔数、年累计交易金额、全行客户的日平均交易笔数、全行客户的日平均交易金额、发卡方日均手续费支出、发卡方月均手续费支出、发卡方季均手续获支出以及发卡方年均手续费支出。
[0020]作为优选，整合行内交易数据与跨行交易数据，进行特征数据标准化归一化处理具体如下：
[0021]数据处理及标准化：基于业务要求定向进行数据处理；具体为：确认用于模型建立的业务字段以及解决业务字段数据缺失问题；
[0022]数据预处理：将标准化后的原始数据转换为特征变量；具体为：基于银行卡自助设备现金交易历史数据、客户行为数据、银联跨行交易，从账户属性、客户属性、账户资产属性、账户交易属性的维度进行数据预处理；
[0023]数据拆分：拆分训练样本、验证样本、预留两个季度数据作为验证样本、两个季度数据作为训练样本；其中，每个样本中的两个季度数据，前面季度是行为表现期，后面季度是风险预测期。
[0024]更优地，风险行为树模型选取的样本数据为表现期季度数据。
[0025]更优地，预测风险行为发生概率时，选取风险预测期季度数据，具体为：
[0026]将风险预测期季度数据输入到风险行为树模型中，得出风险概率预测结果；
[0027]风险概率预测结果通过展示界面展示，并展示风险预警处理流程。
[0028]一种自助设备套取手续费行为识别系统，该系统包括，
[0029]获取模块，用于设定训练样本时间区间，确定样本特征数据获取范围；
[0030]筛选模块，用于通过对选取样本特征数据的深入分析以及银行业务人员调研沟通，筛选业务特征变量；
[0031]数据处理模块，用于整合行内交易数据与跨行交易数据，进行特征数据标准化归一化处理；
[0032]模型构建模块，用于将样本数据投入决策树过滤器中，并利用人工智能算法训练出风险行为树模型，即采用决策树算法对特征变量进行训练构建风险行为树模型；
[0033]预测模块，用于利用识风险行为树模型预测风险行为发生概率。
[0034]作为优选，业务特征变量的类型包括唯一性标识、账户属性、客户属性、账户资产属性和账户交易属性；
[0035]唯一性标识对应的特征变量包括客户号；
[0036]账户属性对应的特征变量包括账户类型、卡种、卡状态、是否开通短信通知、是否开通网银、是否开通手机银行及代发工资标志；
[0037]客户属性对应的特征变量包括客户年龄、客户持有卡张数、客户性别、客户籍贯及客户总资产；
[0038]账户资产属性对应的特征变量包括是否转入10000整数倍金额、日终保持小额资金的天数、日终保持小额资金的月均天数、月日均余额、季日均余额及年日均余额；
[0039]账户交易属性对应的特征变量包括最频繁交易金额区间段、日累进累出金额一致的年累计天数、日累进累出金额一致的月均天数、转账转出特定金额交易总次数、转账转出特定金额月均交易总次数、转账转入特定金额交易总次数、转账转入特定金额月均交易总次数、取现特定金额交易总次数、取现特定金额月均交易总次数、转账转出最频繁行名、日平均交易笔数、月平均交易笔数、季平均交易笔数、年平均交易笔数、日平均交易金额、月平均交易金额、季平均交易金额、年平均交易金额、日最大交易笔数、日最小交易笔数、日最大交易金额、日最小交易金额、月最大交易笔数、月最小交易笔数、月最大交易金额、月最小交易金额、季最大交易笔数、季最小交易笔数、季最大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自助设备套取手续费行为识别方法，其特征在于，该方法具体及如下：设定训练样本时间区间，确定样本特征数据获取范围；通过对选取样本特征数据的深入分析以及银行业务人员调研沟通，筛选业务特征变量；整合行内交易数据与跨行交易数据，进行特征数据标准化归一化处理；将样本数据投入决策树过滤器中，并利用人工智能算法训练出风险行为树模型，即采用决策树算法对特征变量进行训练构建风险行为树模型；利用识风险行为树模型预测风险行为发生概率。2.根据权利要求1所述的自助设备套取手续费行为识别方法，其特征在于，业务特征变量的类型包括唯一性标识、账户属性、客户属性、账户资产属性和账户交易属性；唯一性标识对应的特征变量包括客户号；账户属性对应的特征变量包括账户类型、卡种、卡状态、是否开通短信通知、是否开通网银、是否开通手机银行及代发工资标志；客户属性对应的特征变量包括客户年龄、客户持有卡张数、客户性别、客户籍贯及客户总资产；账户资产属性对应的特征变量包括是否转入10000整数倍金额、日终保持小额资金的天数、日终保持小额资金的月均天数、月日均余额、季日均余额及年日均余额。3.根据权利要求2所述的自助设备套取手续费行为识别方法，其特征在于，账户交易属性对应的特征变量包括最频繁交易金额区间段、日累进累出金额一致的年累计天数、日累进累出金额一致的月均天数、转账转出特定金额交易总次数、转账转出特定金额月均交易总次数、转账转入特定金额交易总次数、转账转入特定金额月均交易总次数、取现特定金额交易总次数、取现特定金额月均交易总次数、转账转出最频繁行名、日平均交易笔数、月平均交易笔数、季平均交易笔数、年平均交易笔数、日平均交易金额、月平均交易金额、季平均交易金额、年平均交易金额、日最大交易笔数、日最小交易笔数、日最大交易金额、日最小交易金额、月最大交易笔数、月最小交易笔数、月最大交易金额、月最小交易金额、季最大交易笔数、季最小交易笔数、季最大交易金额、季最小交易金额、年最大交易笔数、年最小交易笔数、年最大交易金额、年最小交易金额、月平均交易天数、季平均交易天数、年平均交易天数、年累计交易天数、年累计交易笔数、年累计交易金额、全行客户的日平均交易笔数、全行客户的日平均交易金额、发卡方日均手续费支出、发卡方月均手续费支出、发卡方季均手续获支出以及发卡方年均手续费支出。4.根据权利要求1所述的自助设备套取手续费行为识别方法，其特征在于，整合行内交易数据与跨行交易数据，进行特征数据标准化归一化处理具体如下：数据处理及标准化：基于业务要求定向进行数据处理；具体为：确认用于模型建立的业务字段以及解决业务字段数据缺失问题；数据预处理：将标准化后的原始数据转换为特征变量；具体为：基于银行卡自助设备现金交易历史数据、客户行为数据、银联跨行交易，从账户属性、客户属性、账户资产属性、账户交易属性的维度进行数据预处理；数据拆分：拆分训练样本、验证样本、预留两个季度数据作为验证样本、两个季度数据作为训练样本；其中，每个样本中的两个季度数据，前面季度是行为表现期，后面季度是风
险预测期。5.根据权利要求4所述的自助设备套取手续费行为识别方法，其特征在于，风险行为树模型选取的样本数据为表现期季度数据。6.根据权利要求4所述的自助设备套取手续费行为识别方法，其特征在于，预测风险行为发生概率时，选取风险预测期季度数据，具体为：将风险预测期季度数据输入到风险行为树模型中，得出风险概率预测结果；风险概率预测结果通过展示界面展示，并展示风险预...

【专利技术属性】
技术研发人员：蒋明润，崔乐乐，徐宏伟，张帆，
申请(专利权)人：天元大数据信用管理有限公司，
类型：发明
国别省市：