数字金融时代 机器学习模型在实时反欺诈中的应用与实践

近年来,数字金融蓬勃发展,金融科技日趋成熟,信息技术的发展对社会产生巨大积极作用的同时也带来了新型风险,网络黑产呈爆发式增长,电信网络诈骗给人民群众造成了巨大的财产损失。在数字金融时代,商业银行既迎来了新的机遇与动力,又面临着新的挑战和数字化变革的要求,线上金融业务已经成为新的主战场。在此背景下,基于RFM高维衍生特征和对机器学习算法的研究,构建了基于高维交易行为画像的事中反欺诈机器学习模型。依托大数据、流计算等技术,通过在系统化部署、应用策略以及模型迭代优化等环节的实践,形成了一套基于机器学习模型的事中风控方案。实践证实,该模型的AUC达到了0.972,可以敏锐洞察欺诈风险,实现毫秒级的欺诈交易识别,对于提升线上数字金融业务的事中风控能力具有一定的推广价值和借鉴意义。

商业银行集团发展个人养老金业务的思考

2022年4月21日,国务院办公厅发布了《关于推动个人养老金发展的意见》,为商业银行集团发展个人养老金业务带来重要的业务发展契机。商业银行可运用集团综合化经营优势,打造一流集团养老金服务体系,践行保障国计民生的社会责任。

基于宽度和词向量特征的文本分类模型

针对词向量文本分类模型记忆能力弱,缺少全局词特征信息等问题,提出基于宽度和词向量特征的文本分类模型(WideText):首先对文本进行清洗、分词、词元编码和定义词典等,计算全局词元的词频-逆文档频度(TFIDF)指标并将每条文本向量化,将输入文本中的词通过编码映射到词嵌入矩阵中,词向量特征经嵌入和平均叠加后,和基于TF-IDF的文本向量特征进行拼接,传入到输出层后计算属于每个分类的概率.该模型在低维词向量的基础上结合了文本向量特征的表达能力,具有良好的泛化和记忆能力.实验结果表明,在引入宽度特征后,WideText分类性能不仅较词向量文本分类模型有明显提升,且略优于前馈神经网络分类器.