您好、欢迎来到现金彩票网!
当前位置:彩70 > 符号分析 >

符号律动汽车金融反欺诈模型实践

发布时间:2019-04-24 20:39 来源:未知 编辑:admin

  本网4月17日讯汽车金融领域的欺诈主要体现在汽车消费金融领域的不良中介欺诈、车辆抵押贷款欺诈和汽车租赁欺诈。金融机构除了合力反欺诈、反二押,抱团共享逾期客户名单、二押车数据、从业人员黑名单、抵质押车辆失踪数据等资源外,越来越多领先的汽车金融机构开始利用知识图谱进行反欺诈。

  汽车金融包含了汽车研发、生产、流通和消费的各个环节,实际中提到的汽车金融大多是指消费者在购车过程中向银行、公司或者其他机构申请贷款用于购买汽车,简称车贷。一般来说,车贷的贷款金额比较大(几万到几十万),还贷周期比较长。从申请贷款的方式来看,车贷可以粗略地分为两种,一种需要大量证明文件,甚至还需要其他抵押物,手续较为严格和繁琐;另一种则只需要基本的身份信息,不需要其他抵押物,手续比较宽松。通常来说,后者有更大的消费群体,不过因为车贷申请的门槛过于宽松,在实际中车贷公司常常会收到欺诈而产生损失,其中最为严重的要数团伙欺诈。每起团伙欺诈通常会导致十几辆甚至几十辆车的损失,且难以追回;可以说,团伙欺诈是车贷风控最为重要的关注点。

  知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。

  假设我们用知识图谱来描述一个事实(Fact)- “王五是张三的母亲”。这里的实体是王五和张三,关系是“母亲”(is_mother_of)。当然,王五和张三也可能会跟其他人存在着某种类型的关系(暂时不考虑)。当我们把工作单位也作为节点加入到知识图谱以后,人和公司之间也可以定义一种关系叫work_in,就是说某个人在某个公司工作。下面的图就展示了这两种不同的关系。

  反欺诈是风控中非常重要的一道环节。基于大数据的反欺诈的难点在于如何把不同来源的数据(结构化,非结构)整合在一起,并构建反欺诈引擎,从而有效地识别出欺诈案件(比如身份造假,团体欺诈,代办包装等)。而且不少欺诈案件会涉及到复杂的关系网络,这也给欺诈审核带来了新的挑战。 知识图谱,作为关系的直接表示方式,可以很好地解决这两个问题。 首先,知识图谱提供非常便捷的方式来添加新的数据源,这一点在前面提到过。其次,知识图谱本身就是用来表示关系的,这种直观的表示方法可以帮助我们更有效地分析复杂关系中存在的特定的潜在风险。

  反欺诈的核心是人,首先需要把与借款人相关的所有的数据源打通,并构建包含多数据源的知识图谱,从而整合成为一台机器可以理解的结构化的知识。在这里,我们不仅可以整合借款人的基本信息(比如申请时填写的信息),还可以把借款人的消费记录、行为记录、网上的浏览记录等整合到整个知识图谱里,从而进行分析和预测。这里的一个难点是很多的数据都是从网络上获取的非结构化数据,需要利用机器学习、自然语言处理技术把这些数据变成结构化的数据。

  不一致性验证可以用来判断一个借款人的欺诈风险,这个跟交叉验证类似。比如借款人王五和借款人张三填写的是同一个公司电话,但张三填写的公司和李四填写的公司完全不一样,这就成了一个风险点,需要审核人员格外的注意。

  汽车金融组团欺诈的挖掘难度更大。这种组织在非常复杂的关系网络里隐藏着,不容易被发现。当我们只有把其中隐含的关系网络梳理清楚,才有可能去分析并发现其中潜在的风险。知识图谱,作为天然的关系网络的分析工具,可以帮助我们更容易地去识别这种潜在的风险。最常见的三种欺诈类型分别是代购欺诈、网状欺诈和伞状欺诈。

  代购欺诈通常是主贷人资质不佳被拒绝后寻找其他人作为主贷人,替其购车。对于车贷公司而言,该笔贷款的风险非常高,代购者的还贷更容易出现逾期,出问题时追索也更困难。从图1中很容易看出,一个新的贷款申请者和之前某个被拒绝的主贷人有较多的共同联系人。与一些业务特征点结合,可以很容易断定这种欺诈类型。

  第二种是网状欺诈,通常是指多个主贷人之间有较为密切的联系。与代购欺诈相比,网状欺诈更为隐蔽、难以识别,是一种小团伙的欺诈。一方面是车贷公司希望扩大客源,而其中一种传播途径就是通过已经成功放贷的申请者在其朋友圈传播,带来更多的申请者。识别网状欺诈的方法可以从两方面着手,一方面看主贷人之间联系的密切程度,从大量的数据中发现统计规律,对数据异常的小团体予以特别关注;另一方面则从小团体的整体信用分进行控制,例如对于新的贷款申请,不仅需要评估申请者本人的信用分,也要评估其所在团体的信用分,两者都可能产生拒绝申请的可能。

  第三种是伞型欺诈,多个主贷人间接的指向某个共同联系人,这是最为危险的一种欺诈方式。伞型欺诈的规模一般都很大,而且是有组织的行为,一旦爆发可能数十辆车同时坏账,损失通常都难以追回。这种欺诈的识别和断定要复杂的多,以下仅对一种典型的场景进行介绍。从图3可以看到,许多主贷人之间并无联系,但是他们直接或间接指向了某些客户(这些人注册过、也可能做过申请,但未放贷),而这些客户又指向了某个共同联系人。我们可以试着解释这种关系模型:在伞型欺诈中,存在一些高级人员(黑色联系人),他们复杂策划、招募初级人员进行欺诈业务;这些初级人员会对市场上出现的车贷公司进行了解和调研,通常会伪装成申请者(客),对车贷公司的风控流程进行详细了解,从而有针对性的指导一些申请者(常被称为肉鸡)进行申请。伞型欺诈的许多主贷人在一段时间内通常会表现为相似的特性,而这些特性是针对车贷公司的风控规则动态改变的,是一种针对性极强的欺诈方式。

  以上通过三种关联人欺诈介绍了知识网络在车贷领域中的反欺诈应用,这种方式可以很容易的扩展到其他领域。其关键点在于通过“关系”构建网络,结合业务的实际特点,可以有效进行反欺诈。如果有可能,关系网络的构建不应该只限于电话联系,居住地点、工作单位、短信、社交媒体等各种各样的联系都可以利用起来,通过叠加多张关系可以实现更强大的反欺

  1.数据建模,有效量化信用风险 从特征纬度上看,主要包括基本属性、履约情况、社交网络、电商偏好、家庭特征等多个纬度;从算法使用上看,模型不仅仅有传统的逻辑回归算法,还有基于深度学习的CNN、随机森林、BP神经网络等20种算法,基本涵盖了深度学习领域常用和最前沿的算法。从逻辑复杂度上看,符号律动的模型采用了超过600个变量,1500次迭代,25000个逻辑节点,复杂度可类比互联网巨头BAT的相关产品,能有效防止黑色产业链破解风控模型;从模型指标上看,评分卡K-S值为0.325,AUC在0.73-0.80之间,Gini在0.45以上,相比市场上的第三方建模公司公布的模型指标数据,该指标在业内属于领先水平,模型指标可以有效降低逾期风险,更好的保证投资人的资金安全,目前正在申请相关专利。

  在人工智能方面,符号律动的投入是不遗余力的,产品已经进入最后阶段,即将服务于反欺诈、风控审批等业务场景。

  作为风控模型、风控规则、外部数据的运算承载体,实时引擎可以提供模型规则的实时计算服务,模型规则主要包括预准入、准入、反欺诈、审批、评分卡、额度、贷后等等。相比于人工审核,基于实时引擎的大数据风控,可有效降低信用风险和操作风险,提高审核效率,是全自动放款服务的核心物理承载体。

  此稿件为延展阅读内容,中国台州网不对本稿件内容真实性负责。如发现政治性、事实性、技术性差错和版权方面的问题及不良信息,请及时与我们联系(),并提供稿件“纠错”信息。

http://hayleylord.com/fuhaofenxi/58.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有