神经网络模型在银行互联网金融反欺诈中的应用探索

栏目编辑：梁丽雯 E-mail:liven_01@163.com

神经网络模型在银行互联网金融

反欺诈中的应用探索

■ 中国农业银行辽宁省分行　李赟妮

摘　要：随着互联网金融的快速发展，各主要商业银行都开始重视这一新型金融模式的发展，而网络金融欺诈成为商业银行互联网金融业务发展的限制因素。神经网络模型具有大数据处理能力和人工智能特征，在商业银行互联网金融业务反欺诈领域中具有良好的应用前景。本文介绍了银行互联网金融反欺诈模型的研究现状，并提出了神经网络模型在银行互联网金融反欺诈中的应用及前景。

关键词：神经网络模型；反欺诈；互联网金融

近年来，随着部分互联网企业利用网络信息技术逐渐开展各种金融业务，互联网金融模式迅速发展，并以其便捷、高效、成本低的优势，得到了越来越多消费者的青睐和互联网企业的重视，从而对商业银行的传统金融服务模式产生了巨大挑战，也成为商业银行金融服务创新的一个新模式。目前，传统商业银行纷纷涌入互联网金融领域，国内几大商业银行均已推出了各自互联网金融产品，如中国农业银行已先后推出了互联网金融产品农银快e付网络支付业务、快e宝网络理财业务、“农银e管家”电商金融平台等，搭建了完整的互联网金融服务平台，特别是在服务“三农”领域，搭建了“惠农e通”平台，推出“惠农e贷”“惠农e

付”“惠农e商”网络电商业务等产品。

一、网络欺诈风险是银行互联网金融发展的重要

制约因素

随着网络金融的快速发展，其便捷、高效的优点越来越受到广大用户的认可，与此同时，其安全隐患也受到金融机构和监管部门的重视。随着部分互联网金融平台风险事件的接连爆发，尤其是网络欺诈事件的增加，引起了网络金融机构和金融监管机构的重视。通过对近5年来北京网络安全反诈骗联盟猎网平台发布的网络诈骗数据进行分析，可以看出，我国网络欺诈情况呈现明显的逐年递增趋势，图1、图2分

作者简介： 李赟妮（1985-），女，山西长治人，经济师，硕士，研究方向：信息安全、金融科技、网络金融，供职于中国农业银行辽 　　　　　宁省分行信息技术管理部。收稿日期： 2018-05-17

24

2018年·第8期

栏目编辑：梁丽雯 E-mail:liven_01@163.com

别为近5年网络诈骗人均损失情况和网络诈骗举报总金额。

单位：元16 00014 00014 41312 00010 0009 4718 0006 0005 1064 0002 0001 4492 07002013年2014年2015年2016年2017年图1　近5年网络诈骗人均损失

单位：万元40 00035 00034 966.930 00025 00020 00019 532.41 500012 70710 0005 0003 2244 77102013年2014年2015年2016年2017年图2　近5年网络诈骗举报总金额

据《2017年网络诈骗趋势研究报告》显示，2017年猎网平台共收到的网络诈骗举报涉案总金额高达3.5亿元，其中，金融理财类诈骗金额居于首位，占比高达52.6%，举报金额达1.8亿元；在人均受骗金额方面，金融理财类诈骗是最高的。欺诈手段多种多样，主要有受害者主动转账、钓鱼网站支付、钓鱼网站导致盗刷、木马软件导致盗刷、主动告知账号密码、二维码、验证码、付款码从而被盗刷等。其中，通过钓鱼网站支付的涉案总金额占比最高，达64.3%，累计2.2亿元。

Research|信息化论坛目前，网络金融欺诈已形成了一套完整的黑色产业链，网络金融欺诈的危害性高、案件查处难度大，成为了网络金融发展的一大障碍，制约着网络金融的发展。网络诈骗犯罪具有作案手段隐蔽、作案时间短、作案现场不明确及不固定、涉案范围跨地域、涉案金额高、作案渠道和方式复杂、作案现场保留困难、取证困难等特点，资金追回的难度非常大。因此，加强银行反欺诈工作，对防范互联网金融产品的风险，化解商业银行互联网金融业务创新发展与风险控制的矛盾，具有重要意义。网络金融欺诈的危害已越来越受到商业银行和监管部门的重视，目前各家商业银行和网络安全机构开始逐渐加大对反欺诈系统研究与构建的投入。如何利用大数据处理技术构建智能反欺诈系统成为目前商业银行反欺诈研究的重点。

二、网络金融反欺诈模型研究

反欺诈模型是反欺诈系统构建研究的核心问题。目前，反欺诈系统的构建模型有很多种，根据其工作机制和运行原理大体上可以划分为两大类，即“基于规则的反欺诈模型（Rules Based Anti-fraud Model）” 和“基于客户行为的反欺诈模型（Behavior Based Anti-fraud Model）”。

（一）基于规则的反欺诈模型

其基本原理是，商业银行事先对网络金融欺诈行为的交易特征和技术手段等进行充分研究，在此基础上，根据欺诈的各种特征设定触发阈值，即构建一组含有多个触发条件（if something, then do something）的规则库，进行算法设计和系统构建，然后对客户的交易行为进行多维度检测审核，当符合欺诈特征的交易行为出现时，自动触发报警事件。

基于规则的反欺诈模型具有如下优势：原理简单、系统构建与调试简单、使用方便、通用性强，可作为相对独立的系统接入不同商业银行的网络金融业务系统，对银行的网络金融业务系统影响很小，还可通

25

Research|信息化论坛过系统升级、更新等方式对反欺诈判定的规则库进行更新。该模型在商业银行早期的反欺诈系统中应用比较广泛，具有以下劣势：一是该模型的构建与业务运维系统相对独立，不能通过使用后根据不同客户的情况进行自动校正修订，个性化差；二是由于该模型的核心是基于已知欺诈案例的静态规则所构建的，不能及时跟进正常交易行为特征的演进，因此前瞻性差、误报率高，提高了人工审核率，导致人力成本高、客户体验性差等问题；三是该模型只能对单笔交易进行欺诈风险检测，而不能对连续的多笔交易行为进行分析，即不具有复杂事件处理能力。

该模型已难以有效监测目前纷繁复杂、层出不穷的网络欺诈事件。

（二）基于客户行为的反欺诈模型

其基本原理是，对网络金融客户的交易行为进行一定时间段的观察，对其行为特征进行数据收集，如交易时间、支付平台和终端、地域、频率、金额范围等，并进行统计分析，构建个体化、多维度的客户交易行为特征数据库（即行为库），并以此构建触发阈值。当该客户的某次交易行为超出其行为特征库阈值时，启动系统报警，其核心模块是行为库。

基于客户行为的反欺诈模型，其优势有：一是具有自我学习、自我训练的能力，拥有人工智能特征；二是该模型设计客观，建立在对长时间积累的巨量数据的分析，风险的判断和衡量比较具有说服力；三是可以针对不同客户进行个体化的欺诈风险监控，并且可以对新的欺诈模式进行自我学习，具有良好的应变性。

三、神经网络模型的原理及其在反欺诈系统中的应用

基于客户行为的反欺诈模型，其运行原理复杂，需要进行动态的信息收集处理，然后进行风险评估策略的自我学习、自我更新，需要使用人工智能的算法，因此又

26

2018年·第8期

栏目编辑：梁丽雯 E-mail:liven_01@163.com

称为基于人工智能的反欺诈模型（Artificial Intelligence Based Anti-fraud Model）。该类模型中应用最为广泛的人工智能算法是人工神经网络算法，即人工神经网络模型（Artificial Neural Network Based Model）。

人工神经网络是模拟人脑神经组织的信息处理模式，将大量的处理单元通过一定的规则相互连接而构建的一种数据处理的计算机系统，该系统通过对外部输入信息进行动态响应。神经网络可以对系统输入样本和输出样本进行训练学习，处理复杂的非线性关系，因此被广泛应用于人工智能领域，尤其是智能化金融风控模型中。经过几十年的快速发展，目前已有几十种神经网络模型被提出，其中采用误差反向传播算法（Error Back Propagation Training）的神经网络，即BP神经网络模型，是反欺诈领域中应用最多的神经网络之一。

BP神经网络由输入层、隐藏层和输出层形成拓扑网络结构，输入层和输出层仅有一层，而隐藏层可以有一层或多层。将训练数据作为输入变量（x=x1,x2,x3,…

xi…xn)从输入层通过权重系数（wi=w1,w2,w3,…wi…

wn）和激活函数[ yni=fiΣ

=1（wi+w△）*xi ]向隐藏层各节点传播，隐藏层各节点再通过权重系数（vi=v1,v2,v3,…vi…vmm）和激活函数[ oi=giΣ

=1（vi+v△）*yi ]向输出层各节点传播，得到网络的输出量（oi=o1,o2,o3,…oi…os），从输出层开始反向调整权重系数，当达到训练样本模式时，数据训练学习完成。隐藏层越多，模型结果越精确，同时网络复杂性也增加，学习效率降低。神经网络各层间通过工作信号正向反馈和误差信号反向反馈，进行反复迭代计算和训练学习，不断调整网络权值，直到得到最优的权值，达到有监督的多层网络学习能力。三层BP神经网络结构原理如图3所示。

BP神经网络模型用于反欺诈系统的构建，其工作流程主要有以下几个步骤。首先对大量历史客户交易信息，包括正常交易信息和各途径获取的欺诈交易信

2018年·第8期

栏目编辑：梁丽雯 E-mail:liven_01@163.com

Research|信息化论坛激活函数f（x）X1y1X2y2X3激活函数g（x）系统，可以对商业银行全部渠道开展的网络金融业务进行实时监测。对来自于手机端、PC端、平板电脑端等全终端交易进行实时监控，可涵盖网络贷款、网

O1络理财、网络支付、网络电商等全部网络金融业务，获取有关交易终端及平台、业务申请人身份、交易时间、交易地址、交易金额、网络金融产品、交易对象、交易频次等大量行为特征数据，将交易数据作为神经网络反欺诈系统的输入数据。经神经网络计算，实时评价网络金融业务交易的欺诈风险，进行风险概率的量化评价，输出欺诈风险等级，如低危交易、中危交易、高危交易。然后将输出结果提交至银行风险控制部门，风险控制部门采取相应的反欺诈处理，如对输出结果为低危交易者的，系统直接放行，中危交易者则由风险控制部门进一步调查核实，高危交易者由系统拦截，再由相关部门进一步处理。神经网络反欺诈系统能“7×24”小时提供事前、事中和事后的风险分析。基于BP神经网络模型的反欺诈系统工作流程如图5所示。

由于银行网络金融业务具有客户群体庞大、客户类型复杂、业务种类多等特点，反欺诈工作存在复杂的非线性问题，一般的基于规则的反欺诈模型难以实达到理想的反欺诈效果。基于神经网络模型的反欺诈系统由于其隐藏层的引入，可以对银行网络金融交易进行大数据分析，从大量历史数据中分析欺诈的潜在规律，通过对样本数据的不断学习训练，自我学习

...Os权重系数vi输出层

...输入层

息，进行数据提取和预处理。将经过预处理的数据作为输入数据，输入到神经网络进行数据训练，获取客户自身的历史交易行为特征数据和欺诈交易特征，计算每个特征数据的风险系数及不同风险特征的相关性，存储于数据处理单元。然后将当前交易行为进行数据预处理后，输入到数据处理单元，与历史交易行为和风险交易行为进行比较，计算当前交易的欺诈风险程度，经过输出单元输出结果。最后由欺诈风险管理部门根据系统输出结果进行反欺诈调查和处理。另外，数据反馈模块将根据反欺诈处理结果对系统进行校正。BP神经网络模型原理如图4所示。

四、神经网络模型在商业银行网络金融反欺诈中

的应用与展望

以神经网络模型构建商业银行网络金融反欺诈

...Xn权重系数wi当前交易数据ym隐藏层

图3　BP神经网络结构原理

历史交易数据数据发掘与训练数据反馈数据预处理数据处理结果输出反欺诈调查处理图4 BP神经网络模型原理

27

Research|信息化论坛2018年·第8期

栏目编辑：梁丽雯 E-mail:liven_01@163.com

图5　基于BP神经网络模型的反欺诈系统工作流程

网络金融欺诈规律并逐渐记忆在网络中，具有自我学习、自我联想记忆等特点，从而实现人工智能反欺诈，在商业银行智能化风险防控平台的建设中具有良好的应用前景。

目前“金融科技”和“互联网+金融”的创新发展理念，正逐渐改变商业银行创新金融服务模式，其开展网络金融业务的渠道和产品也将得到迅猛发展，随之而来的各种新型网络欺诈行为和威胁也会层出不穷。为此，商业银行除了要重视网络金融业务的创新，未来必须持续创新反欺诈技术手段，不断改进现有的反欺诈系统，及时将社交网络分析、大数据、云计算、生物影像识别等日新月异的科学技术应用于反欺诈系统。

大力开展反欺诈工作已成为一项艰巨的社会性工作，商业银行除了要构建自身强效的反欺诈系统外，还需要与监管部门及同业机构联合，协调作战，加强与第三方反欺诈机构如网络公安部门、网络安全商业机构等的合作，加入互联网反欺诈联盟，建立反欺诈系

参考文献：

[1]2017年网络诈骗趋势研究报告[DB/OL].http://zt.360.cn/1101061855.php?dtid=1101062366&did=491006041.

[2]鲁统波. 大数据反欺诈在银行互联网金融创新业务中的应用[J]. 金融电子化，2016(1):91-92.

[3]丁慎勇. 反欺诈模型在电子银行的应用研究[D]. 济南：山东大学，2014.

[4]邱雪涛，赵金涛. 基于实时大数据处理的交易欺诈侦测的研究[J]. 软件产业与工程，2013(22):36-40.

[5]伍保华. 基于神经网络的信用卡反欺诈系统研究[D]. 武汉：武汉理工大学，2010.

[6]蒋宗礼. 人工神经网络导论[M]. 北京：高等教育出版社，2001．

统信息共享机制和反欺诈工作联动协查机制，借鉴各自反欺诈经验，提高自己的反欺诈能力。FTT28