一种交易风险评估方法及系统技术方案

本发明专利技术实施例公开了一种交易风险评估方法及系统，解决了传统的风险评估方法会导致由于粒度过大，导致误判为欺诈的交易很多，从而产生很多误杀了实际上是非欺诈的交易，以及由于策略模型的规则粒度较粗，导致匹配出来的可疑风险交易很多，导致人工审核的成本很大的技术问题。

A method and system for transaction risk assessment

The embodiment of the invention discloses a transaction risk assessment method and system, which solves the problem that the traditional risk assessment method will lead to a lot of transactions misjudged as fraud because of the large granularity, thus resulting in a lot of transactions that are actually non-fraudulent, and the matching result due to the coarse granularity of the rules of the policy model. There are many suspicious risks trading, which lead to the technical cost of manual audit.

【技术实现步骤摘要】
一种交易风险评估方法及系统
本专利技术涉及金融交易
，尤其涉一种交易风险评估方法及系统。
技术介绍
对于在线交易的风控，一般有两种反欺诈方式并分别应用于如下两种业务场景：1、单纯通过规则引擎实现的策略模型去匹配可疑交易，并拒绝交易，主要业务场景：如手机充值，游戏币充值等实时的虚拟商品消费。2、通过规则引擎实现的策略模型匹配可疑交易，判为待审核级别的交易，然后通过人工审核的方式，在消费事后找出欺诈交易，然后做物流拦截，主要应用场景：需物流派送的实体商品消费。传统的策略模型完全是通过强规则库+弱规则库结合的方式，通过与交易的多个属性进行匹配，并得到相应的风险级别，此方式需要一个灵活配置的规则引擎支持，以及大量的人工操作，策略模型的规则配置粒度一般都很大，导致匹配出来的可疑风险交易的范围过大，在上面的业务场景1中应用，会导致由于粒度过大，导致误判为欺诈的交易很多，从而产生很多误杀了实际上是非欺诈的交易的技术问题，而对于场景2中，则由于策略模型的规则粒度较粗，导致匹配出来的可疑风险交易很多，导致人工审核的成本很大的技术问题。因此，需要本领域技术人员提出一种交易风险评估方法及系统以解决传统的风险评估方法会导致由于粒度过大，导致误判为欺诈的交易很多，从而产生很多误杀了实际上是非欺诈的交易，以及由于策略模型的规则粒度较粗，导致匹配出来的可疑风险交易很多，导致人工审核的成本很大的技术问题。
技术实现思路
本专利技术提供了一种交易风险评估方法及系统，解决了传统的风险评估方法会导致由于粒度过大，导致误判为欺诈的交易很多，从而产生很多误杀了实际上是非欺诈的交易，以及由于策略模型的规则粒度较粗，导致匹配出来的可疑风险交易很多，导致人工审核的成本很大的技术问题。本专利技术提供了一种交易风险评估方法，包括：S1、当用户触发交易指令时，获取用户的交易信息；S2、根据交易信息，在预先存储的规则引擎中进行规则匹配；S3、根据规则匹配的结果得到交易信息的第一风险等级；S4、判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则执行步骤S5，若为无风险，则通过用户的交易指令；S5、利用风险预测模块中预置GBDT模型对交易信息进行风险预测，得到交易信息的第二风险等级；S6、判断第二风险等级是否为高风险或低风险，若为高风险，则执行步骤S7，若为无风险，则通过用户的交易指令；S7、将交易信息发送至人工审核模块，以获取对交易信息的人工审核结果。可选地，步骤S1之前还包括：S01、获取已知结果的数据样本；S02、将已知结果的数据样本转换为标准格式的数据样本；S03、提取标准格式的数据样本中的第一特征字段及其对应的第一特征值，并构成特征矩阵数据；S04、将特征矩阵数据作为GBDT模型训练的输入，对GBDT模型进行训练，将训练后的GBDT模型作为预置GBDT模型并储存至风险预测模块中。可选地，步骤S01具体为：以预置数据样本时间窗口和预置采样频率对已知结果的数据样本进行滑动窗口采样。可选地，步骤S03具体包括：提取标准格式的数据样本中的第一特征字段及其对应的第一特征值；对第一特征字段进行离散化处理，得到第二特征字段及其对应的第二特征值；对第二特征字段及其对应的第二特征值进行空值填充处理；对第二特征字段进行区间缩放处理，使得第二特征字段对应的第二特征值缩放至0至1之间；将第二特征字段及其对应的第二特征值构成特征矩阵数据。可选地，步骤S7之后还包括：将人工审核结果及其对应的数据作为数据样本对预置GBDT模型进行更新训练，并将更新后的GBDT模型作为预置GBDT模型储存至风险预测模块中。本专利技术提供了一种交易风险评估系统，包括：第一获取单元，用于当用户触发交易指令时，获取用户的交易信息；规则匹配单元，用于根据交易信息，在预先存储的规则引擎中进行规则匹配；确定单元，用于根据规则匹配的结果得到交易信息的第一风险等级；第一判断单元，用于判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则跳转至预测单元，若为无风险，则通过用户的交易指令；预测单元，用于利用风险预测模块中预置GBDT模型对交易信息进行风险预测，得到交易信息的第二风险等级；第二判断单元，用于判断第二风险等级是否为高风险或低风险，若为高风险，则跳转至发送单元，若为无风险，则通过用户的交易指令；发送单元，用于将交易信息发送至人工审核模块，以获取对交易信息的人工审核结果。可选地，本专利技术提供的交易风险评估系统还包括：第二获取单元，用于获取已知结果的数据样本；转换单元，用于将已知结果的数据样本转换为标准格式的数据样本；矩阵构成单元，用于提取标准格式的数据样本中的第一特征字段及其对应的第一特征值，并构成特征矩阵数据；训练单元，用于将特征矩阵数据作为GBDT模型训练的输入，对GBDT模型进行训练，将训练后的GBDT模型作为预置GBDT模型并储存至风险预测模块中。可选地，第二获取单元还用于以预置数据样本时间窗口和预置采样频率对已知结果的数据样本进行滑动窗口采样。可选地，矩阵构成单元具体包括：提取子单元，用于提取标准格式的数据样本中的第一特征字段及其对应的第一特征值；离散子单元，用于对第一特征字段进行离散化处理，得到第二特征字段及其对应的第二特征值；空值填充子单元，用于对第二特征字段及其对应的第二特征值进行空值填充处理；区间缩放子单元，用于对第二特征字段进行区间缩放处理，使得第二特征字段对应的第二特征值缩放至0至1之间；矩阵构成子单元，用于将第二特征字段及其对应的第二特征值构成特征矩阵数据。可选地，本专利技术提供的交易风险评估系统还包括：更新单元，用于将人工审核结果及其对应的数据作为数据样本对预置GBDT模型进行更新训练，并将更新后的GBDT模型作为预置GBDT模型储存至风险预测模块中。从以上技术方案可以看出，本专利技术实施例具有以下优点：本专利技术提供了一种交易风险评估方法，包括：S1、当用户触发交易指令时，获取用户的交易信息；S2、根据交易信息，在预先存储的规则引擎中进行规则匹配；S3、根据规则匹配的结果得到交易信息的第一风险等级；S4、判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则执行步骤S5，若为无风险，则通过用户的交易指令；S5、利用风险预测模块中预置GBDT模型对交易信息进行风险预测，得到交易信息的第二风险等级；S6、判断第二风险等级是否为高风险或低风险，若为高风险，则执行步骤S7，若为无风险，则通过用户的交易指令；S7、将交易信息发送至人工审核模块，以获取对交易信息的人工审核结果。本专利技术通过在预先存储在规则引擎中的各种规则，筛选出用户的交易信息的第一风险等级，并在存在高风险的情况下直接终止用户的交易指令，在存在低风险的情况下将用户的交易信息发送至预置GBDT模型进行风险预测，预置GBDT模型稳定可靠，相比于需要人通过学习历史风控经验再配置规则库而言，更加的客观和准确，预置GBDT模型能够输出交易信息的第二风险等级，即判断用户的交易信息为高风险或低风险，而只有当第二风险等级为高风险时，才需要进行人工审核，减少了大量人工审核的工作量，解决了传统的风险评估方法会导致由于粒度过大，导致误判为欺诈的本文档来自技高网...

【技术保护点】
1.一种交易风险评估方法，其特征在于，包括：S1、当用户触发交易指令时，获取用户的交易信息；S2、根据交易信息，在预先存储的规则引擎中进行规则匹配；S3、根据规则匹配的结果得到交易信息的第一风险等级；S4、判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则执行步骤S5，若为无风险，则通过用户的交易指令；S5、利用风险预测模块中预置GBDT模型对交易信息进行风险预测，得到交易信息的第二风险等级；S6、判断第二风险等级是否为高风险或低风险，若为高风险，则执行步骤S7，若为无风险，则通过用户的交易指令；S7、将交易信息发送至人工审核模块，以获取对交易信息的人工审核结果。

【技术特征摘要】
1.一种交易风险评估方法，其特征在于，包括：S1、当用户触发交易指令时，获取用户的交易信息；S2、根据交易信息，在预先存储的规则引擎中进行规则匹配；S3、根据规则匹配的结果得到交易信息的第一风险等级；S4、判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则执行步骤S5，若为无风险，则通过用户的交易指令；S5、利用风险预测模块中预置GBDT模型对交易信息进行风险预测，得到交易信息的第二风险等级；S6、判断第二风险等级是否为高风险或低风险，若为高风险，则执行步骤S7，若为无风险，则通过用户的交易指令；S7、将交易信息发送至人工审核模块，以获取对交易信息的人工审核结果。2.根据权利要求1所述的交易风险评估方法，其特征在于，步骤S1之前还包括：S01、获取已知结果的数据样本；S02、将已知结果的数据样本转换为标准格式的数据样本；S03、提取标准格式的数据样本中的第一特征字段及其对应的第一特征值，并构成特征矩阵数据；S04、将特征矩阵数据作为GBDT模型训练的输入，对GBDT模型进行训练，将训练后的GBDT模型作为预置GBDT模型并储存至风险预测模块中。3.根据权利要求2所述的交易风险评估方法，其特征在于，步骤S01具体为：以预置数据样本时间窗口和预置采样频率对已知结果的数据样本进行滑动窗口采样。4.根据权利要求3所述的交易风险评估方法，其特征在于，步骤S03具体包括：提取标准格式的数据样本中的第一特征字段及其对应的第一特征值；对第一特征字段进行离散化处理，得到第二特征字段及其对应的第二特征值；对第二特征字段及其对应的第二特征值进行空值填充处理；对第二特征字段进行区间缩放处理，使得第二特征字段对应的第二特征值缩放至0至1之间；将第二特征字段及其对应的第二特征值构成特征矩阵数据。5.根据权利要求1所述的交易风险评估方法，其特征在于，步骤S7之后还包括：将人工审核结果及其对应的数据作为数据样本对预置GBDT模型进行更新训练，并将更新后的GBDT模型作为预置GBDT模型储存至风险预测模块中。6.一种交易风险评估系统，其特征在于，包括：第一获取单元，用于当用户触发交易指令时，获取用户的交...

【专利技术属性】
技术研发人员：张广海，杨文武，李亮星，何彪，
申请(专利权)人：广州品唯软件有限公司，
类型：发明
国别省市：广东,44