金融安全 無監(jiān)督機器學習技術可以搞定 科技金融反欺詐創(chuàng)新利器

“無科技，不金融”。隨著移動互聯(lián)網(wǎng)時代的到來，科技金融模式不斷創(chuàng)新，但是欺詐手法也在不斷翻新，呈現(xiàn)出專業(yè)化、產(chǎn)業(yè)化、隱蔽化等特點。日前，世界科技開發(fā)者盛會DeveloperWeek 2019評選VR、人工智能、金融科技等領域優(yōu)勝者，AI公司DataVisor維擇科技憑借無監(jiān)督機器學習技術獲得最具投資價值的科技金融企業(yè)獎。

無監(jiān)督機器學習技術是什么，為何會被認為最具投資價值?它能在科技金融活動中起到什么作用?能解決哪些金融交易中的問題?

科技金融反欺詐創(chuàng)新利器

與傳統(tǒng)金融不同，互聯(lián)網(wǎng)金融業(yè)務大多發(fā)生在線上，往往幾秒鐘就完成審核、申請、放款等，面臨的欺詐風險也是前所未有的。據(jù)統(tǒng)計，我國網(wǎng)絡犯罪導致的損失占GDP0.63%，一年損失金額高達4000多億人民幣。國際上的情況也不樂觀，多份市場研究報告指出，僅2016年一年，全球信用卡、借記卡、預付卡和私有品牌支付卡損失就高達163.1億美元;每年保險欺詐(不包括健康險)損失總額預計超過400億美元。

“隨著技術不斷演進，針對金融業(yè)的攻擊、欺詐手段已不同以往。團伙作案、分工明確、掌握各種先進技術工具、不斷變化攻擊手段，全新挑戰(zhàn)使得金融企業(yè)越來越難以招架。”DataVisor中國區(qū)總經(jīng)理吳中說，金融反欺詐期待創(chuàng)新已成業(yè)內(nèi)共識。

“無監(jiān)督機器學習是近年才發(fā)展起來的反欺詐手法。目前國內(nèi)反欺詐金融服務主要是應用黑白名單、有監(jiān)督學習和無監(jiān)督機器學習的方法來實現(xiàn)。”愛信諾征信有限公司總經(jīng)理金端峰在接受科技日報記者專訪時說。

黑白名單被認為是最原始的反欺詐方式，類似于“篩選器”。如銀行征信系統(tǒng)就可理解成一個黑白名單，信用卡多次逾期還款就可能被列入信貸“黑名單”;在淘寶上購買了退貨險后屢屢退貨，就可能上騙保“黑名單”。黑白名單是所有反欺詐方法中最簡單的，但也是更新最慢、成本最高的。

能將異常用戶一網(wǎng)打盡

有監(jiān)督學習需要大量有標簽數(shù)據(jù)來訓練模型，以此來預測還未被標注的數(shù)據(jù)。以垃圾郵件為例，假如把5000封已由人工確認過的垃圾郵件輸入到模型，模型通過對標題的識別、郵件內(nèi)容句子的分割、關鍵詞的識別等各種分析方法，找到其中的內(nèi)在關系。如標題中有“福利”二字的，有90%的可能性是垃圾郵件;一次性發(fā)送超過200封的，有60%的可能性是垃圾郵件;回復率低于10%的，有70%的可能性是垃圾郵件……于是，當模型處理一封新郵件時，通過檢測以上各子項，并對每一子項乘以百分比后相加，就能得出垃圾郵件的可能性。但有監(jiān)督學習的弊端是，每個模型都需要大量訓練數(shù)據(jù)以及較長的訓練時間。

“可能你的模型還沒有訓練好，欺詐分子已經(jīng)完成欺詐活動并尋找下個目標了。”吳中說。

無監(jiān)督機器學習主要方式有聚類和圖形分析。金端峰說，無監(jiān)督無需任何訓練數(shù)據(jù)和標簽，通過聚類等機器學習算法模型發(fā)現(xiàn)用戶的共性行為，以及用戶和用戶的關系來檢測欺詐。“通過無監(jiān)督機器學習分析用戶的共性行為，可以發(fā)現(xiàn)偽裝過的異常用戶，將其一網(wǎng)打盡。”

何為聚類方式?例如一群用戶注冊事件，可通過聚類發(fā)現(xiàn)幾個小群符合某些共性：注冊時間集中，都使用了某種操作系統(tǒng)，某一個瀏覽器版本等。該用戶群中的任何一個單獨拿出來分析，看上去都極為正常，如果符合某種超乎尋常的一致性就十分可疑了。比如一群人在凌晨2—3點采用同一款瀏覽器注冊了同一產(chǎn)品，其IP的前20位相同，GPS定位小于1公里，注冊后都修改了昵稱和性別等。

現(xiàn)在的金融欺詐都是團伙作戰(zhàn)，面對“化整為零，批量復制”的欺詐手法，金端峰說，無監(jiān)督算法應用于反欺詐檢測還有一個優(yōu)勢，那就是能提前預警。“現(xiàn)在的欺詐分子都有潛伏期，以免太容易被發(fā)現(xiàn)。由于他們在潛伏期的行為依然符合某種規(guī)律，具有某些一致性，同樣還是會被無監(jiān)督算法捕捉到。在攻擊發(fā)生前就檢測出欺詐分子，這一點傳統(tǒng)方法是難以做到的，防患于未然這也是無監(jiān)督機器學習之所以在反欺詐檢測中大放光彩的重要原因之一。”

防患于未然及時預警

在科技金融活動中，無監(jiān)督機器學習能有效防止欺詐行為的發(fā)生并及時對用戶發(fā)出預警，阻止開戶欺詐、欺詐交易、賬號盜取，發(fā)現(xiàn)洗錢攻擊等，保障正常的金融活動。

金端峰舉例說，猛犸反欺詐公司基于非監(jiān)督式的異常檢測，將數(shù)據(jù)分解為正常趨勢、隨機擾動和異常情況三部分，并在此基礎上做到設備、網(wǎng)絡和用戶三個層面上的“千人千面”;并根據(jù)用戶間的相互關聯(lián)構造網(wǎng)絡圖，欺詐者往往團體作案，行為表現(xiàn)在網(wǎng)絡圖中呈現(xiàn)高度一致性和聚集性，與正常用戶明顯不同，因此利用聚類和圖形分析辨別欺詐行為。“螞蟻金服、京東金融等一些高科技互聯(lián)網(wǎng)公司也通過無監(jiān)督機器學習等技術手段，在金融科技方面取得了良好成績。”

除了有效防止欺詐行為的發(fā)生，無監(jiān)督機器學習在科技金融領域還能有多種作用。比如通過用戶畫像和大數(shù)據(jù)模型精準找到用戶，實現(xiàn)精準營銷;根據(jù)個人投資者提供的風險承受水平、收益目標以及風格偏好等要求，運用一系列智能算法及投資組合優(yōu)化等理論模型，為用戶提供最終的投資參考，并依據(jù)市場動態(tài)對資產(chǎn)配置調(diào)整提供建議;投資研究需要收集大量資料，進行數(shù)據(jù)分析，報告撰寫等，通過機器自主抓取相關信息，可以輔助決策，甚至自動生成投研報告;利用大數(shù)據(jù)人工智能技術，可使用海量的多維度數(shù)據(jù)，塑造出高度精細化的風險控制模型;通過學習、積累金融法規(guī)，并結合金融機構的實際情況提供合規(guī)建議;機器還可以從海量的交易數(shù)據(jù)中學習知識和規(guī)則，發(fā)現(xiàn)異常行為，對洗錢行為進行警示等。

應用廣泛可進行投資預測

無監(jiān)督機器學習技術的應用正在不斷深入和擴展。愛信諾是上市企業(yè)航天信息股份有限公司的全資子公司，在大數(shù)據(jù)采集、分析和應用方面具有突出能力，建成了以稅務和企業(yè)經(jīng)營數(shù)據(jù)為核心的企業(yè)信用數(shù)據(jù)庫。

金端峰說，其實，許多大公司都有大型數(shù)據(jù)庫，儲存用戶數(shù)據(jù)信息，通過無監(jiān)督機器學習分析用戶的整體數(shù)據(jù)，就能發(fā)現(xiàn)用戶金融消費習慣的變化、投資偏好等，自動發(fā)現(xiàn)市場分類并針對不同群體用戶推出不同的金融產(chǎn)品。“這樣，有針對性的開發(fā)新市場，減少了盲目投入。”

此外，根據(jù)客戶國籍、職業(yè)、薪酬、經(jīng)驗、行業(yè)、信用記錄等信息，利用無監(jiān)督機器學習技術來確定客戶的信用風險評分，甚至是在向客戶提供任何服務之前就進行此類評定，加快放貸過程，還能避免耗時而必要的“盡調(diào)”過程。

“隨著機器學習的使用，股票預測變得相當簡單。”金端峰說，機器學習算法會利用上市企業(yè)的資產(chǎn)負債表、損益表等歷史數(shù)據(jù)，進行分析，并找出關系到公司未來發(fā)展的有意義的跡象，進行投資預測。