1703655257
银行卡交易的欺诈占总交易的比例较低，但是呈现出多样性、复杂性的特点，对交易欺诈模型的开发带来很大的影响。因其稀疏性，从海量正常交易中找出欺诈交易犹如大海捞针，对模型的精确性要求非常高，通常利用神经网络的复杂性去模拟欺诈的行为特征。由于神经网络具有很强的自学习能力，可以适应欺诈手段日益丰富、复杂的特点，所以这种统计方法经常被用来开发交易欺诈模型。
1703655258
1703655259
交易欺诈的目标变量很容易定义，当笔交易为欺诈则为1，否则为0，但在实际情况中会面临一些问题。一般情况下，金融机构很难对每笔交易和客户都一一核实，通常只会标识金额较大有异常的交易，但当笔欺诈发生前的一段时间内的交易是否应标注为欺诈交易要视实际情况而定，这对目标变量的定义造成一定的影响。
1703655260
1703655261
交易欺诈模型的预测变量通常会比较多，模型的出发点就是通过客户欺诈以前的历史行为特征去对客户进行客户画像，而利用当笔发生的交易特征去和历史行为进行对比。如果当笔交易的行为特征和以前差异很大，那么欺诈的嫌疑比较大，比如预测变量有：
1703655262
1703655263
•当笔交易金额；
1703655264
1703655265
1703655266
1703655267
•当笔交易币种；
1703655268
1703655269
1703655270
1703655271
•当笔交易时间；
1703655272
1703655273
1703655274
1703655275
•当笔交易商户；
1703655276
1703655277
1703655278
1703655279
•当笔交易地点；
1703655280
1703655281
1703655282
1703655283
•过去N次交易的密码输错次数；
1703655284
1703655285
1703655286
1703655287
•过去N次交易的交易失败次数；
1703655288
1703655289
1703655290
1703655291
•过去N分钟内的交易次数；
1703655292
1703655293
1703655294
1703655295
•过去N分钟小额刷卡次数。
1703655296
1703655297
1703655298
1703655299
交易欺诈模型可构造的变量很多，一般都是通过当笔交易的交易金额、交易时间、交易币种、交易商户类型、交易地点、交易方式等单一变量或者多变量组合在一起，和历史的交易数据进行对比，看是否有差异。
1703655300
1703655301
现在创新支付工具兴起，在给人们带来便利的同时，欺诈现象也比较普遍。互联网数据的加入对于用户刻画将有很大的帮助，结合客户的IP地址、上网时间、上网地点、浏览和消费的网站等信息可更加全面和准确地刻画用户特征，这有助提高交易欺诈模型的精确性。
1703655302
1703655303
交易欺诈模型的实施依赖于信息系统，通常需要大量的历史交易数据，对于时效性要求比较高，需要系统能支持大量的运算。交易欺诈的实施主要分为实时实施、准实时实施和事后实施三种方式。实时实施指交易欺诈模型参与当笔交易的授权，系统对当笔交易进行评分，对于欺诈风险高的进行授权拒绝或者电话排查。这种方式对系统要求很高，时效性非常强，否则会影响客户感受。准实时实施指根据上笔交易的评分来对当笔交易的欺诈风险进行判断，系统会把上笔交易的评分保留下来，参与下一笔交易的授权，如果欺诈风险高则进行授权拒绝或电话排查。这种方式对系统要求低一些，但只能防范下一笔交易的欺诈风险，对金融机构会造成一定损失。事后实施指的是通过每天跑批的形式对当天的交易进行评分，然后排查高欺诈风险的交易，这种方式对系统要求最低。这种方式实现起来比较简单，对金融机构的银行卡交易影响很小，是金融机构最常用的方式。
1703655304
1703655305
此外，交易欺诈模型的实施总会结合交易欺诈规则，这是因为欺诈手段层出不穷，对于新出现的欺诈模式，交易欺诈模型通常不适用，需要借助于欺诈规则进行补充。模型总是具有一定的误判率和缺陷，可通过规则尽量弥补模型在这方面的不足。
1703655306
[
上一页 ]
[ :1.703655257e+09 ]
[
下一页 ]