CN110135980A - 一种金融贷前反欺诈系统 - Google Patents

Abstract

本发明公开了一种金融贷前反欺诈系统，包括信息采集子系统、训练子系统和在线评测子系统，所述信息采集子系统用于获取用户的申请信息，并将申请信息传输至在线测评子系统和训练子系统；所述训练子系统用于构建在线测评子系统所使用的评测模型，并根据使用次数的增加，积累数据，自主学习；所述在线测评子系统用于对用户进行测评和风险评分。本发明具有自动化程度高、流程简单、风险小的优点。

Description

一种金融贷前反欺诈系统

技术领域

本发明涉及金融安全领域，具体涉及一种金融贷前反欺诈系统。

背景技术

金融业务在现代化的社会中越来越广泛，辐射用户的范围越来越广，这就导致了用户的群体参差不齐，经常出现业务风险水平不匹配的情况，特别是在金融贷款等业务上。

现阶段在面对贷款申请时，审批专员根据自身经验对申请材料进行审核，判定是否合格，但是在这一过程中，会出现材料造假、审核专员自身业务水平不足、劳动密集型强甚至道德犯罪的风险，因此经常会出现贷前欺诈行为，给金融机构造成一定的损失。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种自动化程度高、流程简单、风险小的金融贷前反欺诈系统。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种金融贷前反欺诈系统，包括信息采集子系统、训练子系统和在线评测子系统，所述信息采集子系统用于获取用户的申请信息，并将申请信息传输至在线测评子系统和训练子系统；所述训练子系统用于构建在线测评子系统所使用的评测模型，并根据使用次数的增加，积累数据，自主学习；所述在线测评子系统用于对用户进行测评和风险评分。

进一步的，所述信息采集子系统包括金融信息采集模块和非金融信息采集模块；所述金融信息采集模块通过接入金融端口采集用户的金融数据，所述非金融信息采集模块用于采集用户的行为信息。

进一步的，所述行为信息包括用户提交的社交ID、软件ID等，以便于检测用户的行为信用。

进一步的，所述训练子系统包括训练模块和测试模块，所述训练模块将数据进行预处理后根据Logistic Regression算法建立模型，供测试模块和在线测评子系统调用；所述测试模块用于不断测试模型的完整性、可靠性。

进一步的，所述在线测评子系统包括分析模块、画图模块和存储模块，所述分析模块用于将信息采集子系统采集的信息基于模型进行分析，做出评估；画图模块用于将分析模块的分析过程依据可视化的进行展示，以便于风险专员进行理解；存储模块用于将数据和结果进行存储。

一种金融贷前反欺诈方法，所包括以下步骤：

S1：采集用户的基础信息，并将基础信息上传至在线评测子系统；

S2：分析模块调用基础信息以及训练子系统形成的模型，对用户申请进行核实与评估；

S3：分析的同时，将分析过程与分析结果通过图像的形式展示给风险专员；

S4：输出审核结果；

S5：存储模块将审核结果进行存储，并将结果和基础信息传输至训练模块。

本发明的有益效果为：本发明针对金融贷前的欺诈行为提供了金融贷前反欺诈系统，本系统解决了业务专员业务水平有限、劳动密集度强甚至于道德犯罪的风险，通过多维度、全方位的大数据风控体系输出大数据风控报告，支撑风控人员对资产进行准确判断、并对业务做出授信与否的决定，将新客户的申请信息输入已经训练好的模型,能够获得对新进客户欺诈风险概率的评估,易于审批人员理解,并且各类特征的解释性较好,能够结合具体的业务知识和生活常识进行解释,从而也能够对客户群体画像、目标客群识别提供支持,是一个可靠性强的反欺诈系统。

附图说明

图1为本发明一种金融贷前反欺诈方法一实施方式的流程图。

图2为本发明一种金融贷前反欺诈系统一实施方式的功能模块图

具体实施方式

下面结合附图对本发明作进一步的详细说明。

如图1所示，一种金融贷前反欺诈系统，包括信息采集子系统、训练子系统和在线评测子系统，所述信息采集子系统用于获取用户的申请信息，并将申请信息传输至在线测评子系统和训练子系统；所述训练子系统用于构建在线测评子系统所使用的评测模型，并根据使用次数的增加，积累数据，自主学习；所述在线测评子系统用于对用户进行测评和风险评分。

进一步的，所述信息采集子系统包括金融信息采集模块和非金融信息采集模块；所述金融信息采集模块通过接入金融端口采集用户的金融数据，所述非金融信息采集模块用于采集用户的行为信息。

进一步的，所述行为信息包括用户提交的社交ID、软件ID等，以便于检测用户的行为信用。

具体的，金融数据和非金融数据包括交易流水、多头借贷、黑名单、反欺诈、人法信息、诉讼风险、学历数据、公安数据、交易偏向、关系链、人脸识别、声纹识别、设备可信度、地址验证、房产位置、房产年限、房产状况、处置难易程度、系统估值等信息。

进一步的，所述训练子系统包括训练模块和测试模块，所述训练模块将数据进行预处理后根据Logistic Regression算法建立模型，供测试模块和在线测评子系统调用；所述测试模块用于不断测试模型的完整性、可靠性。

具体的，针对采集的信息，建立一个分类函数，即h函数，用来预测输入数据的判断结果；其次构造一个损失函数，该函数表示预测的输出与训练数据类别之间的偏差，可以是二者之间的差或者是其他形式,综合考虑所有训练数据的损失，将损失函数求和或求平均，记为J函数,表示所有训练数据预测值与实际类别的偏差。

具体的，基于Logistic Regression算法的个人贷前反欺诈模型不仅能够结合相关业务经验，提取相关原始入模变量，并且能够利用算法挖掘多源数据中蕴含的规律，获得客户其他抽象特征的入模变量，从而结合以上两类特征与Logistic Regression算法能够全方位评估新进客户存在的欺诈风险，并且能够降低审批人员主观经验造成的操作性风险。

进一步的，所述在线测评子系统包括分析模块、画图模块和存储模块，所述分析模块用于将信息采集子系统采集的信息基于模型进行分析，做出评估；画图模块用于将分析模块的分析过程依据可视化的进行展示，以便于风险专员进行理解；存储模块用于将数据和结果进行存储。

如图2所示，一种金融贷前反欺诈方法，所包括以下步骤：

S1：采集用户的基础信息，并将基础信息上传至在线评测子系统；

S2：分析模块调用基础信息以及训练子系统形成的模型，对用户申请进行核实与评估；

S3：分析的同时，将分析过程与分析结果通过图像的形式展示给风险专员；

S4：输出审核结果；

S5：存储模块将审核结果进行存储，并将结果和基础信息传输至训练模块。

本发明的有益效果为：本发明针对金融贷前的欺诈行为提供了金融贷前反欺诈系统，本系统解决了业务专员业务水平有限、劳动密集度强甚至于道德犯罪的风险，通过多维度、全方位的大数据风控体系输出大数据风控报告，支撑风控人员对资产进行准确判断、并对业务做出授信与否的决定，将新客户的申请信息输入已经训练好的模型,能够获得对新进客户欺诈风险概率的评估,易于审批人员理解,并且各类特征的解释性较好,能够结合具体的业务知识和生活常识进行解释,从而也能够对客户群体画像、目标客群识别提供支持,是一个可靠性强的反欺诈系统。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (6)

1.一种金融贷前反欺诈系统，其特征在于，包括信息采集子系统、训练子系统和在线评测子系统，所述信息采集子系统用于获取用户的申请信息，并将申请信息传输至在线测评子系统和训练子系统；所述训练子系统用于构建在线测评子系统所使用的评测模型，并根据使用次数的增加，积累数据，自主学习；所述在线测评子系统用于对用户进行测评和风险评分。

2.根据权利要求1所述的一种金融贷前反欺诈系统，其特征在于，所述信息采集子系统包括金融信息采集模块和非金融信息采集模块；所述金融信息采集模块通过接入金融端口采集用户的金融数据，所述非金融信息采集模块用于采集用户的行为信息。

3.根据权利要求2所述的一种金融贷前反欺诈系统，其特征在于，所述行为信息包括用户提交的社交ID、软件ID等，以便于检测用户的行为信用。

4.根据权利要求3所述的一种金融贷前反欺诈系统，其特征在于，所述训练子系统包括训练模块和测试模块，所述训练模块将数据进行预处理后根据Logistic Regression算法建立模型，供测试模块和在线测评子系统调用；所述测试模块用于不断测试模型的完整性、可靠性。

5.根据权利要求4所述的一种金融贷前反欺诈系统，其特征在于，所述在线测评子系统包括分析模块、画图模块和存储模块，所述分析模块用于将信息采集子系统采集的信息基于模型进行分析，做出评估；画图模块用于将分析模块的分析过程依据可视化的进行展示，以便于风险专员进行理解；存储模块用于将数据和结果进行存储。

6.一种金融贷前反欺诈方法，其特征在于，所包括以下步骤：

S1：采集用户的基础信息，并将基础信息上传至在线评测子系统；

S2：分析模块调用基础信息以及训练子系统形成的模型，对用户申请进行核实与评估；

S3：分析的同时，将分析过程与分析结果通过图像的形式展示给风险专员；

S4：输出审核结果；

S5：存储模块将审核结果进行存储，并将结果和基础信息传输至训练模块。