System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于操作行为的银行欺诈特征挖掘方法及系统技术方案_技高网

基于操作行为的银行欺诈特征挖掘方法及系统技术方案

技术编号:44385244 阅读:3 留言:0更新日期:2025-02-25 10:00
本申请涉及金融风控技术领域,提供的是基于操作行为的银行欺诈特征挖掘方法及系统,方法包括以下步骤:收集信贷业务相关原始数据;对原始数据进行清洗和验证,获取清洗和验证后的数据;基于清洗和验证后的数据,构建特征底表;基于特征底表,构建欺诈行为评估模型,获取与输入的操作行为相对应的用户的信贷欺诈评分。本申请将操作行为欺诈识别引入风控信贷领域,考虑到了信贷领域操作行为欺诈风险场景多,欺诈手段多样化的特点,为从业者在依靠操作行为的欺诈风险指标进行决策时是否可靠提供参考依据。

【技术实现步骤摘要】

本申请涉及金融风控,具体涉及一种基于操作行为的银行欺诈特征挖掘方法及系统


技术介绍

1、在信贷业务中,一般包括营销获客、贷前授信、贷中动支、贷后催收等业务场景。其中,贷前授信和贷中动支是操作行为信息类欺诈风险的高发环节,根据不同环节的基础数据衍生相关特征变量,训练操作行为信息类欺诈模型用于贷前监测。

2、欺诈风险目前日益呈现产业链化的特征,围绕着欺诈的实施,形成了专业的技术开发产业,比如伪冒申请,虚假交易,账户盗用等;身份包装和虚假操作行为信息类提供产业,比如中介代办,云手机,等;业务漏洞发现和欺诈方法传授产业,而且从事这些产业的人都具有较高的技术水平,他们会各种试探金融机构的反欺诈规则,然后利用前两种产业提供的技术、资料实施欺诈。这种操作行为信息类欺诈有时不容易被侦测,使用人工智能算法识别可能产生漏网之鱼,基于基础数据和操作行为的挖掘方法可以有效弥补这一缺点。


技术实现思路

1、本申请提供一种基于操作行为的银行欺诈特征挖掘方法及系统,可以解决现有人工智能算法识别信贷业务中的欺诈行为存在的侦测遗漏的技术问题。

2、第一方面,本申请提供了一种基于操作行为的银行欺诈特征挖掘方法,包括以下步骤:

3、收集信贷业务相关原始数据;

4、对原始数据进行清洗和验证,获取清洗和验证后的数据;

5、基于清洗和验证后的数据,构建特征底表;

6、基于特征底表,构建欺诈行为评估模型,获取与输入的操作行为相对应的用户的信贷欺诈评分。</p>

7、结合第一方面,在一种实施方式中,所述收集信贷业务相关原始数据,具体包括以下步骤:

8、定义信贷风控应用业务场景;

9、定义不同业务场景的操作行为欺诈特征;

10、根据需衍生的欺诈特征,分别提取对应业务场景的原始数据。

11、结合第一方面,在一种实施方式中,所述根据需衍生的欺诈特征,分别提取对应业务场景的原始数据之后,还包括以下步骤:

12、获取原始数据的获取方式,例如通过用户填写获取或授权获取;

13、基于原始数据的获取方式,确认特征标签的生成逻辑。

14、结合第一方面,在一种实施方式中,所述对原始数据进行清洗和验证,获取清洗和验证后的数据,具体包括以下步骤:

15、划分获取到的原始数据为基础信息类数据和操作行为信息类数据;

16、将划分为基础信息类和操作行为信息类的两类原始数据进行数据清洗,获取清洗后的数据;

17、对清洗后的数据的业务需求进行验证,获取验证后的数据。

18、结合第一方面,在一种实施方式中,所述基于清洗和验证后的数据,构建特征底表,具体包括以下步骤:

19、将清洗和验证后的数据中的基础信息类和操作行为信息类两大类别进行分别存储,同时通过唯一的用户标识来建立两者之间的关联;

20、将分别存储后的基础信息类和操作行为信息类数据,分别构建基础信息表和操作行为信息表,通过唯一的用户标识来建立两个信息表之间的关联。

21、结合第一方面,在一种实施方式中,所述基于特征底表,构建欺诈行为评估模型,获取与输入的操作行为相对应的用户的信贷欺诈评分,具体包括以下步骤:

22、基于构建的特征底表利用逻辑回归算法构建欺诈行为评估模型,输出欺诈评分,协助人工判断基于操作行为在信贷不同环节的欺诈风险;

23、将构建的欺诈评估模型进行代码封装,形成可泛化使用的标准化工具。

24、结合第一方面,在一种实施方式中,所述基于构建的特征底表利用逻辑回归算法构建欺诈行为评估模型,输出欺诈评分,具体包括以下步骤:

25、对特征底表中的入模特征构建等级标签和缺失值处理,获取具有等级标签和缺失值处理后的入模特征;

26、采用逻辑回归算法筛选入模特征,获取筛选后的有效入模特征;

27、基于筛选后的有效入模特征,构建逻辑回归模型;

28、输入数据库中待评估的信贷相关数据至欺诈行为评估模型,获取欺诈评分。

29、结合第一方面,在一种实施方式中,所述采用逻辑回归算法筛选入模特征,获取筛选后的有效入模特征,具体包括以下步骤:

30、遍历所有的入模特征,将单个入模特征与欺诈评分建模,以单入模特征iv值作为变量是否有效的评估标准,从高到低排序,把模型auc结果最好的入模特征作为第一轮选择入模特征;

31、在第一轮选择入模特征基础上,添加第二个入模特征,历遍剩余入模特征,直至添加的入模特征得到的模型auc值达到最高,将该入模特征作为第二轮选择变量;

32、在第二轮选择变量的基础上,添加第三个入模特征以此类推,直到添加的入模特征不再对auc带来超过预期贡献时,就不再添加入模特征。

33、第二方面,本申请提供一种基于操作行为的银行欺诈特征挖掘系统,包括:

34、原始数据收集模块,用于收集信贷业务相关原始数据;

35、数据清洗和验证模块,与所述原始数据收集模块通信连接,用于对原始数据进行清洗和验证,获取清洗和验证后的数据;

36、特征底表构建模块,与所述数据清洗和验证模块通信连接,用于基于清洗和验证后的数据,构建特征底表;

37、欺诈评分获取模块,与所述特征底表构建模块通信连接,用于基于特征底表,构建欺诈行为评估模型,获取与输入的操作行为相对应的用户的信贷欺诈评分。

38、结合第一方面,在一种实施方式中,所述原始数据收集模块包括:

39、业务场景定义单元,用于定义信贷风控应用业务场景;

40、欺诈特征定义单元,与所述业务场景定义单元通信连接,用于定义不同业务场景的操作行为欺诈特征;

41、原始数据获取单元,与所述欺诈特征定义单元通信连接,用于根据需衍生的欺诈特征,分别提取对应业务场景的原始数据。

42、本申请实施例提供的技术方案带来的有益效果至少包括:

43、本申请将操作行为欺诈识别引入风控信贷领域,为从业者在依靠操作行为欺诈风险指标进行决策时是否可靠提供参考依据,考虑到了信贷领域操作行为欺诈风险场景多,欺诈手段多样化的特点。

本文档来自技高网...

【技术保护点】

1.一种基于操作行为的银行欺诈特征挖掘方法,其特征在于,包括以下步骤:

2.如权利要求1所述的基于操作行为的银行欺诈特征挖掘方法,其特征在于,所述收集信贷业务相关原始数据,具体包括以下步骤:

3.如权利要求2所述的基于操作行为的银行欺诈特征挖掘方法,其特征在于,所述根据需衍生的欺诈特征,分别提取对应业务场景的原始数据之后,还包括以下步骤:

4.如权利要求1所述的基于操作行为的银行欺诈特征挖掘方法,其特征在于,所述对原始数据进行清洗和验证,获取清洗和验证后的数据,具体包括以下步骤:

5.如权利要求1所述的基于操作行为的银行欺诈特征挖掘方法,其特征在于,所述基于清洗和验证后的数据,构建特征底表,具体包括以下步骤:

6.如权利要求1所述的基于操作行为的银行欺诈特征挖掘方法,其特征在于,所述基于特征底表,构建欺诈行为评估模型,获取与输入的操作行为相对应的用户的信贷欺诈评分,具体包括以下步骤:

7.如权利要求6所述的基于操作行为的银行欺诈特征挖掘方法,其特征在于,所述基于构建的特征底表利用逻辑回归算法构建欺诈行为评估模型,输出欺诈评分,具体包括以下步骤:

8.如权利要求7所述的基于操作行为的银行欺诈特征挖掘方法,其特征在于,所述采用逻辑回归算法筛选入模特征,获取筛选后的有效入模特征,具体包括以下步骤:

9.一种基于操作行为的银行欺诈特征挖掘系统,其特征在于,包括:

10.如权利要求9所述的基于操作行为的银行欺诈特征挖掘系统,其特征在于,所述原始数据收集模块包括:

...

【技术特征摘要】

1.一种基于操作行为的银行欺诈特征挖掘方法,其特征在于,包括以下步骤:

2.如权利要求1所述的基于操作行为的银行欺诈特征挖掘方法,其特征在于,所述收集信贷业务相关原始数据,具体包括以下步骤:

3.如权利要求2所述的基于操作行为的银行欺诈特征挖掘方法,其特征在于,所述根据需衍生的欺诈特征,分别提取对应业务场景的原始数据之后,还包括以下步骤:

4.如权利要求1所述的基于操作行为的银行欺诈特征挖掘方法,其特征在于,所述对原始数据进行清洗和验证,获取清洗和验证后的数据,具体包括以下步骤:

5.如权利要求1所述的基于操作行为的银行欺诈特征挖掘方法,其特征在于,所述基于清洗和验证后的数据,构建特征底表,具体包括以下步骤:

6.如权利要...

【专利技术属性】
技术研发人员:邹家勇田羽黄文慧边志强
申请(专利权)人:武汉众邦银行股份有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1