反欺诈机器学习模型——有效地预估风险

来源：中为咨询www.zwzyzx.com 【日期：2017-03-31 21:51:18】【打印】【关闭】

相关报告

2014-2018年银行行业深度分析及投资前景研究报告(2013-12-12)
2015-2020年中国电银行业市场重点层面调查研究报告(2015-09-28)
2014-2018年中国银行企业拟IPO上市细分市场研究报告(2013-12-10)
全国主要地区货币银行产业发展状况暨投资环境调查研究报告(2014-12-05)
2014-2018年中国城市商业银行业市场发展研究及投资机会分析报告(2014-04-25)
2016-2022年中国电银行业市场深度调查研究及投资咨询报告(2015-11-23)
2014版娱乐行业企业建设项目可行性研究报告(2013-12-11)
2014-2018年中国村镇银行行业市场深度研究分析及投资决策咨询研究报告(2014-01-08)
2014版连锁酒店行业企业建设项目可行性研究报告(2013-12-11)
2014版动漫行业企业建设项目可行性研究报告(2013-12-11)

反欺诈机器学习模型是基于统计分析技术的，可以准确和实时的进行风险评估的模型，它可以通过内部的模型更新增强对新的诈骗模式的适应能力，并通过分析各类人群的行为特征模式，利用先进的数理统计技术，进行深度的数据挖掘，不断修正风险决策模型，对审批、还款管理、催款等各个流程进行科学有效的管理，将风险控制在合理范围内。目前比较常见的机器学习模型包括：神经网络模型、随机森林模型等。

1神经网络模型

神经网络是一种通过模仿人脑信息，类似于大脑神经突触联接的结构加工过程的智能化信息处理技术及进行信息处理的数学模型，与博弈论中的动态博弈很相似，具有自适应性、自组织性以及较强劲的稳健性，在应用过程中具有很强的容错性，能够并行处理方法，具有自学习性。

神经网络模型的关键要素包括学习规则和拓扑结构，其中向后反馈算法是一种常用的学习规则，具有很好的持久性和适时预报性。神经网络模型的拓扑结构由输入层、隐含层和输出层共同组成。

在金融反欺诈领域中，神经网络模型是一种欺诈量化模型，它运用大数据分析和模型挖掘技术，从客户、商户、产品、渠道等维度挖掘出风险特征，对金融交易进行风险评分，预测未知欺诈概率。

模型方法论的核心思想是：通过学习海量客户的历史交易数据以及相关信息（如客户、商户等信息），获取客户自身的历史交易行为模式，将当前交易行为与历史交易行为模式相比较，分析差异性，预测当前交易的风险程度；差异性越大，风险程度越高。

2随机森林模型

在反欺诈领域，随机森林算法模型是另一种常用的机器学习模型。随机森林提供了最佳的精度，紧随其后的是神经网络和另外一种集成方法AdaBoost。相比于其他算法，随机森林针对中为咨询碰到的各类欺诈数据有许多的优势：随机森林模型精度