CTGANBoost:基于CTGAN与Boosting的信贷欺诈检测研究

在金融行业中,信贷欺诈检测是一项重要的工作,能够为银行和消金机构减少大量的经济损失。然而,信贷数据中存在类别不平衡和正负样本特征重叠的问题,导致少数类识别灵敏度低且不同类别数据区分度低。针对这些问题,提出一种面向信贷欺诈检测的CTGANBoost方法。首先,在AdaBoost(Adaptive Boosting)方法的每一轮Boosting迭代中,引入基于类别标签信息约束的CTGAN(Conditional Tabular Generative Adversarial Network)方法学习特征分布,进行少数类数据增强工作;其次,基于CTGAN合成的增强数据集,设计了权重归一化方法,确保在样本加权过程中保持原始数据集的分布特征和相对权重。在3个开源数据集上的实验结果表明,CTGANBoost方法的表现均优于其他主流的信贷欺诈检测方法,AUC值提升了0.5%~2.0%,F1值提升了0.6%~1.8%,验证了CTGANBoost方法的有效性和泛化能力。

我国信贷欺诈犯罪的刑法规制、困境与出路——以中、日、美刑法比较为视角

当今各国刑法中,对信贷欺诈行为的规制,或采以日本刑法为代表的利用普通诈骗规制贷款诈骗之合并模式;或采以美国刑法为代表的另立信贷诈骗罪予以规制之分立模式。我国刑法中的贷款诈骗罪虽从表面看偏似美国,但实际上采用日本模式。目前看来,该罪难以应对现实中纷繁复杂的信贷欺诈犯罪行为,其主要原因在于传统诈骗罪与信贷欺诈交易及主体假设、法益及风险承担各不相同。因此,我国的贷款诈骗罪需逐渐脱离日本模式而靠近美国,走向以信贷诈骗罪为主体的刑法规制模式。

基于机器学习的信贷欺诈风险预测模型研究

为提高信贷欺诈风险的预测性能,文中提出一种基于机器学习的信贷欺诈风险预测模型。根据金融系统中存在的信贷欺诈风险类型,计算金融系统信贷数据产生的风险指标。通过确定信贷欺诈风险预测指标权重,设置信贷欺诈风险预测指数。将采集的信贷欺诈数据作为风险预测模型的数据支持,定义信贷欺诈风险产生的信号频谱,并建立风险信息函数,在标准化信贷欺诈风险数据的基础上,计算信贷欺诈风险数据的适应度,完成信贷欺诈风险数据的聚类分析。通过处理信贷欺诈风险数据,采用机器学习算法中的贝叶斯网络节点构建信贷欺诈风险预测模型。最后结合信贷欺诈风险预测流程设计,实现信贷欺诈风险的预测。实验结果表明,通过评价信贷欺诈风险预测的F值指标和AUC值指标,文中设计模型具有更好的预测性能。

基于异构信息网络的信贷反欺诈研究

近年来,移动终端设备的数字化程度陡升,信贷行业的欺诈行为呈现出动态发展、行为隐蔽和专业伪装等新特点,海量数据的跨量级增长为传统反欺诈算法的有效性和计算效率都带来了不小的挑战。因此,为了充分学习信贷场景中不同实体间的交互信息,降低算法计算消耗以使其适用于大规模图数据任务,提出了基于异构信息网络的特异群组挖掘算法BKH-(Bron-Kerbosh-H-II),即首先针对源数据中的信贷实体及实体间的关系进行界定和分类,并将不同实体间的相似度作为关系权重,以此构建信贷异构信息网络,对该网络采取了两阶段的基于H图的极大团枚举算法,用于挖掘特异群组,最终通过局部特征工程修正划分得到潜在的欺诈群体,经实验证明,BKH-II在4种评价指标上的准确度分别为NMI=0.983,NRI=0.96,F-score=0.943,Omega=0.95,并表现出了良好的泛化性和较低的计算复杂性。

商业银行欺诈信贷问题及内部审计策略

近年来,随着经济的不断发展,银行增加了很多信贷业务,推进资金的流动,增加经济收入的同时也加大了投资风险.本文就商业银行的信贷现状进行分析,针对商业银行欺诈信贷存在的问题,进行银行内部相应的整改意见,提高银行的内部审计作用,实现银行对信贷的整体监控,维护金融市场的正常发展.

基于空间-邻域自适应的图卷积神经网络信贷欺诈检测模型

【目的】为信贷欺诈检测提供兼具空间和邻域自适应性的图卷积神经网络模型。【方法】提出双曲跳跃图卷积神经网络。在空间自适应方面,将节点属性表示为双曲空间可训练曲率,从而完成欺诈网络的低失真嵌入表示;在邻域自适应方面,定义双曲跳跃连接框架(HJK-Net)框架,通过双曲层间聚合机制对邻域表示结果进行融合。从而为关系网络提供融合空间和邻域自适应性的图表示学习结果,进而完成信贷欺诈检测任务。【结果】通过在公开且来源于实际业务场景的大型社交网络中部署实验,所提模型的AUC指标达到0.8335,相比于以GraphSAGE(NS)为代表的基线模型提升0.0594。【局限】浅层社交网络对邻域自适应性的优势略有限制,所提模型在大型复杂深度网络结构中优势更加明显。【结论】空间自适应为节点属性相关性提供更准确描述,邻域自适应为图表示学习选择最优的邻域聚合范围;融合空间和邻域自适应的模型在大型欺诈关系网中具备更好的识别效果。

跨行业数据融合在银行风控中的应用

风险管理是商业银行稳健发展的核心因素,商业银行要在承担风险的情况下获取利润。随着改革开放不断深化,银行面对欺诈风险的严峻形势也随之加剧。伴随着金融科技的发展,如何利用跨行业数据融合管理银行信贷欺诈风险,实现智能识别欺诈风险和管理信用风险是摆在商业银行风险管理方面的重要课题。商业银行在利用跨行业、跨平台数据融合和大数据信息技术方面还存在着内部数据整合使用程度低,外部数据来源渠道分散,传统风险管理模式无法利用融合数据等问题,因此,为了有效推进基于数据融合的银行风控转型,商业银行应主动出击,采取诸如调整组织架构,与外部数据源头开展深入合作等措施。