学习
实践
活动
工具
TVP
写文章

精品教学案例 | 金融交易欺诈案例研究

1.金融欺诈问题介绍 1.1问题描述 随着金融科技的发展,移动支付已经在人们的生活中占据越来越重要的地位。大家在生活中肯定会经常用到支付宝、微信等移动支付方式。 PaySim使用真实的私人交易数据集来生成模拟数据集,从而完善的刻画了一些正常的交易操作,并且加入了一些欺诈行为,以便我们之后评估监测方法的表现。 从上面的信息我们可以看到,大概有0.047%的交易欺诈交易,也就是说每一万笔交易中有大概五笔交易欺诈交易。 这在现实生活中是一个可怕的现象,仅支付宝每天的交易规模都在上亿笔,如果0.047%的金融欺诈交易概率发生,会是一个非常可怕的数字,因此这是一个非常值得关注的问题。 当然,想更加准确地识别金融欺诈交易,则需要更加复杂的机器学习算法。

87020

信用卡欺诈

最后一列Class,0为正常,1为欺诈 2、程序解读 2.1 读取文件 #! lambda x: 1 if x > 1.5 else 0) data['V21_'] = data.V21.map(lambda x: 1 if x > 0.6 else 0) print('每个单一属性的欺诈记录与整车记录的差异统计 :') print(data.describe()) print(data.sum()) 每个单一属性的欺诈记录与整车记录的差异统计: Time V1 print('欺诈记录的占比:') print(data.Normal.value_counts()) print() print(data.Fraud.value_counts()) pd.set_option ("display.max_columns",101) print(data.head()) 欺诈记录的占比: 1.0 284315 0.0 492 Name: Normal, dtype

42530
  • 广告
    关闭

    热门业务场景教学

    个人网站、项目部署、开发环境、游戏服务器、图床、渲染训练等免费搭建教程,多款云服务器20元起。

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    欺诈黑产总结

    平台进行各项交易,投入大量资金推出各种新用户注册返利优惠活动。 跟身份盗用的信贷欺诈不同,盗刷盗号无需获得申请人身份证信息,且由于金融机构给与的金融账户在使用时仅需输入登录密码、交易密码即可,无需进行身份验证,获得用户金融账户以及密码,就相当于获得用户身份。 解决方案 将贷前欺诈风险筛查分为 7 大板块: 设备欺诈 身份核验 信息核验 历史行为检验 欺诈综合评分 团伙欺诈排查 人工审批部分 设备欺诈主要针对申请人申请设备是否存在异常来评判风险情况,而身份和信息核验主要针对申请人是否本人以及提供的基本信息是否可信等 因为信息真实,普通欺诈手段无法识别。 总结 欺诈是一项长期的工作,欺诈的技术手段在提升,欺诈分子也在不断优化攻击方式,金融信贷机构需要对黑产产业进行监控,才能做到知己知彼,百战不殆。

    10920

    营销业务欺诈全流程

    按照欺诈的人数来分可分为:个体欺诈和团伙欺诈; 按照欺诈的主体来可分为第一、第二、第三方欺诈; 按照欺诈的行为可分为:金融信贷欺诈、互联网业务欺诈和信用卡欺诈三大类。 在此背景下,为避免营销资源浪费,在加强活动规则设计的同时,亟需运用技术手段搭建营销欺诈系统,以保护良好营销环境,提升营销效果。 现实中,羊毛党会结合第三、四类薅羊毛方式,并存在与平台、商家瓜分利益,发展趋势更具规模化、产业化,这个是营销欺诈的主要目标。 4.2 薅羊毛的产业链 4.3 欺诈特征 通过业务数据分析(以某银行营销活动数据为例),发现了一些羊毛党特点 群控特点:每笔交易额度一样;商家集中性;活动开展短时间内交易频次高;行为序列类似;大量失败交易等 :如交易额度一样且频次高可以使用策略去覆盖;行为序列类似可以先用表征学习然后聚类发现;收货地址相似度高可以用WMD算法匹配高频地址群;团伙特点可以用知识图谱去挖掘黑产团伙; 5 建模过程 5.1

    39650

    欺诈模型(数据不平衡)

    而且recall是以阈值为 0.5 来计算的,那我们就可以简单的认为预测的欺诈概率大于0.5就算欺诈了吗?还是说如果他的潜在欺诈概率只要超过 20% 就已经算为欺诈了呢?

    56740

    基于机器学习的欺诈研究

    一方面,海量用户在互联网上或多或少地留下了数据,不法分子得以利用这些信息对用户实习精确诈骗,提高诈骗成功率;另一方面,银行、电商等线上财务交易业务也为不法分子有了更多的欺诈途径。 三、 基于机器学习的欺诈攻防案例 机器学习技术虽然在欺诈解决方案中发挥着重要作用,但另一方面,机器学习技术也可以被不法分子用来进行欺诈。 构建跨行业的欺诈技术生态,促进行业合作,整合优势资源,对于欺诈技术的发展将能起到显著的推动作用。 从攻防的角度出发,是欺诈研究的重要课题。 参考文献 [1] 林宇俊,许鑫伶,何洋,鲁银冰,5G时代下基于大数据AI的全周期通信信息诈骗方案研究,电信工程技术与标准化,Telecom Engineering Technics andStandardization

    41830

    智能时代如何构建金融欺诈体系?

    接下来明特量化CRO苏建成为大家做了以“大数据+AI打造互联网金融欺诈体系”为主题的分享。 ? 他认为要在新形势下建立有效的互联网金融欺诈体系,关键是大数据+AI。 具体来讲,交叉认证、规制引擎、外部引擎、模型策略是构建欺诈决策体系的四种方法,常用的欺诈方法有逻辑回归、随机森林、神经元网络、统计分布异常检测、文本挖掘及模糊匹配、复杂网络分析等。 金融欺诈任重道远,苏建成认为在未来金融大数据风控会呈现出三大趋势:1、欺诈套路层出不穷,欺诈与其的对抗将长久存在;2、随着国家对个人信息保护力度的加强,大数据欺诈公司的数据来源会受到一定的影响;3 经过AI的赋能,截止目前壹账通金融共拥有24个产品系列,合作机构突破2100家,贡献了超10亿C端交易量和超10万亿B端交易量,交易金额近8万亿元。 接下来他为大家介绍了Gamma智能贷款解决方案。

    1.2K90

    先知:人工智能助力Fintech欺诈

    本文内容节选自第六届全球软件案例研究峰会宜人贷数据科学家王婷分享的《先知:人工智能助力Fintech欺诈》实录,本文主要分享互联网金融欺诈,通过人工智能与人工调查的结合,实现智能欺诈的效率和准确性提升 先知是基于宜人贷的欺诈云平台,面向Fintech全行业的一种欺诈解决方案,帮助Fintech企业解决在信贷申请欺诈、金融中介识别、团伙监控/预警上面临的一系列问题。 、数据能力以及欺诈能力对外做平台化的输出。 另外SDK的作用一方面是数据采集,另一方面是识别欺诈事件。比如用户下载了APP,注册账号提交贷款申请,如果我们发现这些节点或其交易流水有异常,就能够实时发现风险并提报欺诈预警。 基于行为数据的欺诈模型在我们的欺诈体系中也是很重要的一环。

    1.2K110

    针对移动支付的道德欺诈系统

    团队对在移动设备上的程序中运行现有欺诈security challenges Boxer 进行了大规模测量研究后发现,虽然 Boxer 总体上运行良好,但它无法在以低于每秒一帧(FPS)的速度运行的设备上进行有效扫描 团队对在移动设备上的程序中运行现有欺诈security challenges Boxer   进行了大规模测量研究后发现,虽然 Boxer 总体上运行良好,但它无法在以低于每秒一帧(FPS)的速度运行的设备上进行有效扫描 于是团队设计了 Daredevil,一种新的欺诈系统,用于扫描支付卡,并在各种性能的移动设备和硬件配置中都能很好地工作。 与 Boxer 相比,Daredevil将以低于1 FPS的速度运行的设备数量减少了一个数量级,为打击欺诈行为提供了一个更公平的系统。 Daredevil错误地将7次扫描标记为欺诈,假阳性率为2.2%。错误均匀地分布在所有设备上,这体现了Daredevil的公平性。

    22440

    金融欺诈场景下的Spark实践

    推荐阅读: 1,Spark Structured Streaming高级特性 2,Spark高级操作之json复杂和嵌套数据结构的操作一...

    856100

    图数据库·业务总结·欺诈

    3.1 股票投研情报分析 2.2 公安情报分析 通过融合企业和个人银行资金交易明细、通话、出行、住宿、工商、税务等信息构建初步的“资金账户-人-公司”关联知识图谱。 比如银行和公安经侦监控资金账户,当有一段时间内有大量资金流动并集中到某个账户的时候很可能是非法集资,系统触发预警(图7) 一般欺诈 ? 欺诈判断1:多个用户使用相同的地址、银行卡、身份证、电话等其他信息 电子商务的欺诈 ? 欺诈判断2:一个ip或Cookies 服务于多个信用卡或用户。 欺诈判断3:信息不一致。

    62530

    天御欺诈服务,让「天下无贼」

    企业面临欺诈风险? 用我们的沉淀,给企业足够的“安全感” 腾讯云发布天御欺诈服务 随着互联网理财、P2P 金融的快速发展,带有恶意目的的骗贷,骗保、洗钱等恶意行为也形成了新的地下产业,这些黑色产业链给企业品牌带来了严重的经济损失 基于企业的痛点,腾讯云通过大数据分析能力,以及在对抗社交诈骗、电商刷单、保驾互联网银行和支付业务安全上累积的实战经验,发布天御欺诈服务,解决企业被欺诈的风险,让企业专注于业务的发展。 天御欺诈服务,基于腾讯管家平台和社交生态所积累的海量恶意数据,以及通过行为识别,画像计算等能力,精准识别出恶意用户,并通过服务的方式通知企业客户进行跟踪标记和拦截等处理方式。 ? 一网打尽以上威胁与风险,为你们做到「天下无贼」 如何获取腾讯云天御欺诈服务 客户可通过腾讯云工单系统提交工单咨询该服务或者拨打95716咨询

    2.9K70

    机器学习——信用卡欺诈案例

    25920

    【独家编译】美国欺诈服务商Precognitive获百万美元种子轮融资 欺诈是新的风口?

    数据猿导读 今年年内,国内外数家欺诈服务提供商获得了数百万至数千万美元融资,欺诈已经成为大数据领域一个新的热门话题。 ? Precognitive通过分析用户与在线服务之间的交互行为数据,向客户提供欺诈预警。 其创始人Sam Bouso表示,目前Precognitive拥有三种不同的欺诈技术以适应不同和客户与场景。 他说:“欺诈服务有大量数据可供挖掘,大多数解决方案都专注于在交易中进行欺诈,但我们实际上能够通过多次访问监控设备和用户活动,从而在欺诈发生之前为客户提供预警。” 无论是传统金融机构,还是新兴互联网金融机构,都要面临如何更高效的筛选客户和预防欺诈行为的挑战。这种需求也催生了巨大的金融欺诈服务市场。 今年年内,美国Signifyd、Rippleshot,国内邦盛科技、同牛科技、数美科技、冰鉴科技等数家欺诈服务提供商获得了数百万至数千万美元融资,欺诈已经成为大数据领域一个新的热门话题。

    43470

    不漫谈大数据欺诈技术架构 No.126

    一年多以前,有朋友让我聊一下你们的大数据欺诈架构是怎么实现的,以及我们途中踩了哪些坑,怎么做到从30min延迟优化到1s内完成实时欺诈。 时间也过了很久了,最近看到圈里一些东西,发现当时的这套架构并未落伍,依然具有很大的参考价值,所以今天跟大伙聊聊关于大数据欺诈体系怎么搭建,主要来源是来自于我工作的时候的实践,以及跟行业里的很多大佬交流的实践 这套架构我做的时候主要领域是信贷行业的大数据欺诈,后来也看过电商的架构,也看过金融大数据的架构,发现其实大家使用的其实也差不多是这个套路,只是在各个环节都有不同的细节。 比如运营商通讯数据、比如大型电商的行为数据、比如各种保险数据,以及各个机构贷款记录的互相沟通,这些数据源,都非常核心也都非常值钱,是现在欺诈非常核心的数据。 当然也有更加粗暴更加高效的做法,就是直接购买外部的黑名单数据,这让欺诈变得更加简单,遇到就直接拒,可以减少非常的人力物力成本去做其他的核查。 数据抽取 ?

    78230

    电商欺诈比赛的方案及代码分享!

    https://github.com/rickyxume/TianChi_RecSys_AntiSpam 实践背景 1.1 思路简述 本赛题属于结构化数据二分类任务,虽然是风控竞赛,但思考方向不局限于欺诈检测或异常检测 工程上涉及写 FlinkSQL 在线特征工程、Flink 性能调优、Ai Flow 工作流定义、Occlum 搭建TEE、Analytics Zoo Cluster Serving 分布式推理调用、模型 环境要求:Occlum HW 模式(即在TEE下运行) 技术组件要求:必须使用 AI Flow 定义整个工作流,预测过程必须使用 Flink 作为实时计算引擎,其核心预测过程使用 Cluster Serving 改进方向 竞赛后续: 尝试用GNN之类的半监督图算法 图建模实现欺诈图算法(如 FRAUDAR[13]、RICD[14] 等),离线扩充数据再做有监督学习 BTW,RICD[14]就是本次赛题出处的论文 ,其实自己那时候还是一个刚接触竞赛没多久的风控小白(其实想着考研来着呜呜呜我这个菜鸡),一切只因 Datawhale 开源分享的 baseline 进的坑,后面抱着学习的心态边秋招边打比赛,最终拿到了欺诈方向的

    28230

    【案例】某大型国有商业银行信用卡中心——电子渠道实时欺诈监控交易系统

    ,利用大数据实现信用卡交易欺诈升级。 二、明略数据电子渠道实时欺诈交易监控系统技术实现 1.实时欺诈交易监控系统解决方案架构 面临每秒高并发的大量交易数据、网络行为数据、非金决策数据,明略数据需要帮助客户建议一套拥有迅速丰富欺诈的数据来源和监控模型 图3:明略数据离线分析建模流程 三、实时欺诈交易监控流程 明略数据通过Hadoop+Spark结合建立实时欺诈系统,通过整合连接卡中心全量电子渠道用户行为数据接入大数据平台,并进行实时欺诈分析,迅速识别欺诈风险 进行海量、高并发、实时的电子渠道交易行为的欺诈行为检测。结合离线机器学习,迭代欺诈规则,更及时、高效地发现欺诈行为。 ? 四、明略数据实时欺诈交易监控系统实例 信用卡线上交易场景下的数据种类多样,类别繁杂,明略数据通过实时和批量采集数据,整合多系统也如数据,并同步至欺诈数据平台,通过流式处理技术对数据进行处理并通过欺诈规则进行实时的帮助信识别恶意用户和欺诈行为

    2.5K60

    扫码关注腾讯云开发者

    领取腾讯云代金券