科技金融反欺诈创新利器与传统金融不同金端峰金端峰

“没有技术，就没有金融”。随着移动互联网时代的到来，科技金融模式在不断创新，但欺诈手段也在不断更新，呈现出专业化、产业化、隐蔽性的特点。日前，全球最大的科技开发者盛会DeveloperWeek2019评选出VR、人工智能、金融科技等领域的获奖者。人工智能公司 DataVisor 凭借其无监督机器学习技术获得了最具投资价值的技术和金融企业奖。

什么是无监督机器学习技术，为什么它被认为是最有价值的投资？它在科技金融活动中可以发挥什么作用？哪些金融交易问题可以解决？

科技金融反欺诈创新工具

与传统金融不同，互联网金融业务大多在线上进行，审核、申请、贷款等往往在几秒钟内完成，欺诈风险前所未有。据统计，我国网络犯罪造成的损失占GDP的63%，年损失高达4000亿元以上。国际形势也不容乐观。多份市场研究报告指出，仅 2016 年，全球信用卡、借记卡、预付卡和自有品牌支付卡的损失就高达 1.63.1 亿美元；欺诈总损失（不包括健康保险）预计将超过 400 亿美元。

“随着技术的不断演进，针对金融业的攻击和诈骗手段与以往不同。团伙作案，分工明确，掌握各种先进的技术工具，不断改变攻击手段，迎接新的挑战。让金融企业越来越难以承受。” DataVisor中国区总经理吴忠表示，金融反欺诈预期已成为业内共识。

“无监督机器学习是近年来发展起来的一种反欺诈手段，目前国内反欺诈金融服务主要是通过应用黑白名单、监督学习和无监督机器学习方法来实施的。” 爱信诺征信有限公司总经理金端峰在接受科技日报记者专访时表示。

黑白名单被认为是最原始的反欺诈形式，类似于“筛选器”。例如机器学习防止过拟合，银行征信系统可以理解为一个黑白名单，如果信用卡多次逾期，信用卡就有可能被列入信用“黑名单”。. 黑白名单是所有反欺诈方法中最简单的方法，但更新速度最慢且成本最高。

可以捕获所有异常用户

监督学习需要大量的标记数据来训练模型来预测尚未标记的数据。以垃圾邮件为例，如果将 5000 封人工确认的垃圾邮件输入到模型中，模型通过标题识别、邮件内容分句、关键词识别等多种分析方法找到内在关系。. 例如，如果标题中有“福利”一词，则有 90% 的可能性是垃圾邮件；如果一次发送超过 200 封电子邮件，则有 60% 的可能性是垃圾邮件；如果回复率低于 10%机器学习防止过拟合，则 70% 的可能性是垃圾邮件……所以当模型处理一封新邮件时，它可以通过检查上述每个子项，将每个子项的百分比相乘，得到垃圾邮件的可能性, 并将它们加在一起。

“可能你的模型还没有训练好，骗子已经完成了他们的欺诈活动，正在寻找下一个目标。” 吴忠说道。

无监督机器学习的主要方法是聚类和图分析。金端峰表示，无监督不需要任何训练数据和标签，使用聚类等机器学习算法模型来发现用户的共同行为以及用户与用户之间的关系来检测欺诈。“通过无监督机器学习分析用户的共同行为，可以发现被伪装的异常用户，并一次性将其全部抓获。”

什么是聚类方法？例如，一组用户注册事件，通过聚类可以发现几个小群体满足一定的共性：注册时间集中，使用一定的操作系统、一定的浏览器版本等。这个用户群中的任何一个，拿出来分析，看起来都极其正常，如果遇到某种异常的一致性，那就很可疑了。比如一群人凌晨2-3点用同一个浏览器注册同一个产品，前20个IP相同，GPS定位不到1公里，注册后昵称和性别都变了.

如今，金融欺诈都是关于帮派战争的。面对“将整体打成碎片，批量复制”的作弊手段，金端峰表示，将无监督算法应用于反欺诈检测还有一个优势，那就是可以提供预警。“现在，造假者都有潜伏期，不容易被发现。因为它们在潜伏期的行为仍然符合一定的模式，具有一定的一致性，所以它们仍然会被无监督的算法捕捉到。在攻击发生之前检测到。欺诈者，这是传统方法难以做到的，而防患于未然是无监督机器学习在反欺诈检测中大放异彩的重要原因之一。”

注意事项及及时预警

在科技金融活动中，无监督机器学习可以有效防止欺诈行为的发生，并及时向用户发出预警，防止开户欺诈、欺诈交易、账户盗窃，检测洗钱攻击，保障金融活动的正常进行.

例如，金端峰表示，猛犸反欺诈公司在无监督异常检测的基础上，将数据分解为正常趋势、随机扰动和异常情况三个部分，并在此基础上实现三个层次的“千例万例”。设备、网络和用户。根据用户之间的相关性构建网络图。诈骗者经常成群结队地作案，其行为在网络图中表现出高度的一致性和聚合性，与普通用户明显不同。因此，聚类和图分析用于识别欺诈。“蚂蚁金服、京东金融等一些高科技互联网公司也通过无监督机器学习等技术手段，在金融科技方面取得了不错的成绩。”

除了有效防止欺诈外，无监督机器学习还可以在科技金融领域发挥多种作用。例如，通过用户画像、大数据模型精准找到用户，实现精准营销；根据个人投资者的风险承受水平、收益目标、风格偏好等要求，采用组合优化等一系列智能算法和理论模型，为用户提供最终的投资参考，并为资产配置调整提供建议基于市场动态；投资研究需要收集大量数据，进行数据分析、报告撰写等，并通过机器自动捕捉相关信息，可以辅助决策，甚至自动生成投资研究报告；利用大数据人工智能技术，利用海量多维数据，打造高度精细化的风控模型；通过学习和积累金融法规，结合金融机构的实际情况，提供合规建议；从交易数据中学习知识和规则，发现异常行为，警示洗钱行为。

广泛的投资预测应用

无监督机器学习技术的应用不断深化和扩大。航天信息是上市公司航天信息股份有限公司的全资子公司，具有卓越的大数据采集、分析和应用能力，构建了以税务和企业经营数据为核心的企业信用数据库。

金端峰表示，其实很多大公司都有很大的数据库来存储用户数据信息。通过对用户整体数据的无监督机器学习分析，可以发现用户金融消费习惯、投资偏好等的变化，自动发现市场分类。集团用户推出不同的金融产品。“这样，有针对性地开发新市场，减少盲目投资。”

此外，利用无监督机器学习技术，甚至在向客户提供任何服务之前，根据客户国籍、职业、薪水、经验、行业、信用记录等信息确定客户的信用风险评分，以加快放贷速度过程并避免耗时且必要的“尽职调查”过程。

“通过使用机器学习，股票预测变得非常简单。” 金端峰表示，机器学习算法会利用上市公司资产负债表、损益表等历史数据进行分析，找出与公司未来发展相关的东西。做出投资预测的重要迹象。（记者李河）