金融交易反欺诈人工智能建模方法研究

为解决金融交易反欺诈和维护金融安全,针对金融交易数据不平衡、类别离散的特点,提出一套端到端的建模流程、方法和模型结构。该流程涵盖数据预处理、模型训练和预测。同时比较了不同模型在不同特征数量情况下的效果和效率,并基于真实数据集进行验证,从而为金融机构根据自身的优化目标和资源限制选用不同类别和特征数量的模型提供参考。特征数较大(200以上)的基于树的模型适用于资源较充裕切追求极致模型效果的场景,中等规模(特征数100~200)的神经网络模型适用于资源一般的场景,而特征数较小的决策树模型或逻辑回归模型适用于资源有限且模型效果要求不高的长尾场景。

基于特征优化生成对抗网络的在线交易反欺诈方法研究

为了降低在线交易欺诈数据的不平衡性对欺诈检测效果的影响,提出了一种基于特征优化生成对抗网络的在线交易反欺诈方法。该方法建立了WGAN网络包括生成模型和判别模型,对数据进行Key特征选取,在数据生成过程中进行Gumbel-softmax技巧采样输出,优化生成数据质量和提高训练稳定性;交替训练判别模型和生成模型直至模型收敛;接着将收敛的生成模型作为样本生成器生成少数类样本对原始数据进行平衡处理;利用平衡处理后的数据训练分类模型并进行模型评估。通过实验证明,该方法生成数据的效果优于SMOTE及其变种方法。

基于深度学习的银行卡交易反欺诈技术研究

银行卡交易的反欺诈技术旨在检测出欺诈风险较高的交易,通常采用神经网络进行反欺诈预防。传统神经网络只有一层隐藏层节点,对复杂多变的欺诈特征泛化能力较差。为提高欺诈交易预测的准确度,将深度信念网络模型应用到银行卡交易反欺诈中。构建了一个五层的深度信念网络模型,逐层训练并反向调优后获取到欺诈交易的特征,并通过分类器对交易进行分类。实验表明深度学习模型在银行卡交易欺诈预测方面比传统神经网络具有更高的准确性。

电子银行反电诈模型及防控要点研究

结合典型真实电诈案件,从犯罪场景及资金链两个维度剖析,总结出电子银行交易六大高发电诈类型的新特征。梳理近年来国内外高发电诈类型的前沿模型,基于邮储银行样本数据,筛选出适配度较高的算法模型体系,提出未来反电诈工作防范要点。

《10B-5规则》与我国反证券欺诈制度的重构

美国联邦法院常常对"州际商业"、"任何证券"、"买与卖"、"牵涉性"、"重大性"等美国证券交易《10B-5规则》核心要素与要求予以宽泛、灵活解释,以救济封闭公司的侵害股东权益行为,为受侵害股东提供的保护大大超过了传统普通法,使《10B-5规则》成为一个普适性的欺诈戒除规则。与该规则相比,中国现行反证券欺诈制度存有严重缺陷,我们可以借鉴《10B-5规则》的合理内核,扩大我国反证券欺诈制度适用范围、增加证券交易欺诈诉讼主体类型、丰富证券交易欺诈救济请求权种类、强化动态信息披露责任与义务、明确因果关系证明责任与标准、引入证券交易欺诈集团诉讼机制、完善退市证券交易欺诈责任制度。