[發(fā)明專利]一種基于通信運營商大數(shù)據的反欺詐風險算法

在審

• 申請?zhí)枺?/td>: 202010795610.0
• 申請日: 2020-08-10
• 公開（公告）號: CN111951094A
• 公開（公告）日: 2020-11-17
• 發(fā)明（設計）人: 郝曄;朱益平;李春;陸琦
• 申請（專利權）人: 蘇州好懿春數(shù)據服務有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06Q10/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明提供了一種基于通信運營商大數(shù)據的反欺詐風險算法，通過反欺詐評分算法模型，對信貸申請人的欺詐風險特征進行畫像分析評分，用數(shù)據評價的風控評級體系，將盡可能多的與金融信用相關性高的數(shù)據納入風控評級指標體系，結合大數(shù)據的風控評級模型，減少人工對結果干預，將評級結果應用到那些授信額度較小、調查成本較高的各個金融領域。

技術領域

本發(fā)明涉及金融反欺詐風險算法技術領域，尤其涉及一種基于通信運營商大數(shù)據的反欺詐風險算法。

背景技術

在現(xiàn)金貸業(yè)務中，主要面臨兩種風險：信用風險和欺詐風險。信用風險主要是對借款人還款能力和還款意愿進行評估，從而決定放款金額的大小(也可以決定放款利率的大小)，而反欺詐直接面臨的是欺詐用戶,這種用戶沒有其他目的，就是為了騙錢不還(包括開始想還，后面不還)。

如果直接用規(guī)則去做反欺詐，有三種局限性：1、策略比較強，命中直接拒絕，無法考慮策略之間深層次的關系；2、無法給出用戶的欺詐風險有多大；3、沒有考慮用戶從信用風險向欺詐風險的轉移。反欺詐模型就是為了通過機器學習來完善現(xiàn)在僅僅靠規(guī)則來拒人的不足。

欺詐有兩種，一種是直接欺詐，一種是信用風險向欺詐風險轉移(用戶原本有微弱的還款意愿，隨著時間的推移，微弱的還款意愿沒了，還有一種是有還款意愿沒有還款能力，所以在選擇特征和標簽的時候圍繞著這幾個方向去考慮。

1、市場大部分反欺詐評分產品存在數(shù)據源不合規(guī)(無授權、來源無法說清道明)的情況。運營商反欺詐分產品，基于被人民銀行與銀保監(jiān)會認定為“外部可信數(shù)據源”的通信運營商海量手機信令數(shù)據。

2、市場大部分反欺詐評分產品由非金融專業(yè)團隊打造，選擇的數(shù)據標簽金融相關性不強，對銀行等金融機構可參考性不大。運營商反欺詐分產品是與銀聯(lián)數(shù)據模型團隊共同開發(fā)，結合銀聯(lián)數(shù)據建模團隊在金融風控領域的豐富業(yè)務經驗和專業(yè)建模能力，通過前沿的機器學習算法，在區(qū)分度上有很好的表現(xiàn)。

3、市場大部分個人風控評分產品覆蓋人群不廣，而人行征信更是只覆蓋到5億左右的人群。運營商反欺詐分產品基于運營商全國全量數(shù)據，覆蓋10億+人群。

發(fā)明內容

基于上述技術缺陷，本發(fā)明提供一種基于通信運營商大數(shù)據的反欺詐風險算法，解決了上述技術問題中的技術缺陷。

本發(fā)明本發(fā)明一種基于通信運營商大數(shù)據的反欺詐風險算法，包括以下步驟：

1)、從通信運營商手機信令數(shù)據底層變量中初篩出1000+表現(xiàn)力好的變量；

2)、基于通信運營商底層變量，通過多變量組合加工成300+高維可解釋衍生變量；

3)、基于經授權的金融機構樣本標簽計算運營商1000+底層變量、300+高維可解釋衍生變量WOE(Weight of Evidence)和IV(Information Value)值；

4)、考慮模型重要性指標和業(yè)務含義等因素采用遞歸特征消除RFE模塊(Recursive Feature Elimination)進行自動迭代特征篩選出100+顯著變量擬合高維集成樹Xgboost(eXtreme Gradient Boosting極端梯度提升)模型；

5)、通過交叉驗證防止過擬合，選擇最優(yōu)模型參數(shù)；

6)、結合評分卡模型，得到反欺詐評分；

7)、反欺詐分用戶可以設定合適的閾值，當申請進件的反欺詐分高于該閾值時，拒絕該申請。

進一步，所述步驟1中基于通信運營商手機信令數(shù)據底層變量初篩出1000+表現(xiàn)力好的變量。

進一步，所述步驟2中基于通信運營商底層變量通過多變量組合加工成高維可解釋衍生變量，以保證變量的可解釋性。