金融交易欺诈风险指模平滑函数提取方法技术

金融交易欺诈风险指模平滑函数提取方法，包括风险指模的提取及建立风险指模的数学公式两个步骤；风险指模的提取包括在原始样本数据库中搜集并提取包括文字在内的数据，计算各个交易参数集合中数据的统计特征值、对各个交易参数集合中统计特征值进行修正、判断各个交易参数集合中的风险指模是否符合某种数学概率分布的连续变量四个分步骤；风险指模的数学公式包括建立特征值公式、原始欺诈风险率比公式、对数发生比公式以及修正平滑公式、校准公式。本发明专利技术提取的风险指模可以直接或间接用于欺诈风险评估的人工智能模型输入变量，为复杂人工智能模型的使用提供可能性，也为使用海量交易数据训练可拓展系统模型起到了有利保证。交易数据训练可拓展系统模型起到了有利保证。

【技术实现步骤摘要】
金融交易欺诈风险指模平滑函数提取方法


[0001]本专利技术涉及金融部门应用的反欺诈
，特别是一种金融交易欺诈风险指模平滑函数提取方法。

技术介绍

[0002]当前金融欺诈风险控制进入大数据和人工智能时代，人工智能模型作为金融交易风险控制过程中一个重要的技术环节，在国际和国内反交易欺诈斗争中成绩斐然。人工智能模型的表现高度依赖输入数据的信息度，而交易双方的行为在各个交易参数集合(数字集合和文字数据集，如交易时间，交易金额等)中的习惯特征是人工智能反欺诈模型的一个初始的、重要的和可靠的信息及数据来源。现有技术中，很多人工智能模型只接受数字数据不接受集合或文字数据输入。大多数接受数字数据输入的人工智能模型在数字数据输入时表现较好，但是由于不能接受集合或文字数据，而上述集合或文字数据在交易中占有很大的比例，因此现有的技术由于不能有效利用上述数据，无法对反欺诈技术的提升起到支持作用，相应的反欺诈技术还存在改进的余地。

技术实现思路

[0003]为了克服现有技术中，人工智能模型接受数字数据不接受集合或文字数据输入，无法对反欺诈技术的提升起到支持作用的弊端，本专利技术提供了经风险指模提取及建立风险指模数学公式等，把包括文字在内的交易风险在各个交易参数集合中的历史特征提取为连续的、平滑的和数字化的数据，并把离散的交易参数集合中的风险变量转化为各个集合中符合一定数学概率分布的连续风险变量，最大化交易风险历史特征的信息度，提取的风险指模可以直接或间接用于欺诈风险评估的人工智能模型输入变量，为复杂人工智能模型的使用提供可能性，也为使用海量交易数据训练可拓展系统模型起到了有利保证的金融交易欺诈风险指模平滑函数提取方法。
[0004]本专利技术解决其技术问题所采用的技术方案是：
[0005]金融交易欺诈风险指模平滑函数提取方法，其特征在于包括风险指模的提取及建立风险指模的数学公式两个步骤；所述风险指模的提取包括在原始样本数据库中搜集并提取包括文字在内的数据，计算各个交易参数集合中数据的统计特征值、对各个交易参数集合中统计特征值进行修正、判断各个交易参数集合中的风险指模是否符合某种数学概率分布的连续变量四个分步骤；所述风险指模的数学公式包括建立特征值公式、原始欺诈风险率比公式、对数发生比公式以及修正平滑公式、校准公式。
[0006]进一步地，所述在原始样本数据库中搜集并提取包括文字在内的数据，主要是指在某种场景下、某个交易参数集合中、在某段历史时间内的样本数据。
[0007]进一步地，所述计算各个交易参数集合中数据的统计特征值，特征值是指均值均方差，发生比等。
[0008]进一步地，所述对各个交易参数集合中统计特征值进行修正，能得到归一化，校
准，从而得到风险指模。
[0009]进一步地，所述特征值公式包括特征值Xm,i、特征值Xsd,i，特征值Xm,i公式为：
[0010]特征值Xsd,i公式为：
[0011][0012]进一步地，所述原始欺诈风险率比公式为：Ro,i＝N1,i/(N0,i+N1,i)。
[0013]进一步地，所述对数发生比公式为：Xlo,i＝log(Ro,i/(1.0
‑
Ro,i))。
[0014]进一步地，所述修正平滑公式为；Xs,i＝bi Xi+(1
‑
bi)Xid。
[0015]进一步地，所述校准公式为：
[0016]本专利技术有益效果是：本专利技术经风险指模提取及建立风险指模数学公式等，把包括文字在内的交易风险在各个交易参数集合中的历史特征提取为连续的、平滑的和数字化的数据，并把离散的交易参数集合中的风险变量转化为各个集合中符合一定数学概率分布的连续风险变量，最大化交易风险历史特征的信息度，提取的风险指模可以直接或间接用于欺诈风险评估的人工智能模型输入变量，为复杂人工智能模型的使用提供可能性，也为使用海量交易数据训练可拓展系统模型起到了有利保证。基于上述，本专利技术具有好的应用前景。
具体实施方式
[0017]金融交易欺诈风险指模平滑函数提取方法，包括风险指模的提取及建立风险指模的数学公式两个步骤；所述风险指模的提取包括在原始样本数据库中搜集并提取包括文字在内的数据，计算各个交易参数集合中数据的统计特征值、对各个交易参数集合中统计特征值进行修正、判断各个交易参数集合中的风险指模是否符合某种数学概率分布的连续变量四个分步骤；所述风险指模的数学公式包括建立特征值公式、原始欺诈风险率比公式、对数发生比公式以及修正平滑公式、校准公式。
[0018]在原始样本数据库中搜集并提取包括文字在内的数据，主要是指在某种场景下(信用卡线下交易，信用卡线上交易，DDA交易，等)某个交易参数集合中(如：商家类型，交易地点，交易时间，交易金额，设备信息等)在某段历史时间内(如：一年)的样本数据(该交易是否为欺诈交易，用户与商家距离等)。计算各个交易参数集合中数据的统计特征值，特征值是指均值均方差，发生比等。对各个交易参数集合中统计特征值进行修正，能得到归一化，校准，从而得到风险指模。
[0019]风险指模的数学公式如下：当ai∈Ai，其中i为集合类型索引，A为交易参数集合，a
为集合A中的元素，特征值其中i为集合类型索引，t为Ai 集合中元素坐标，ni为Ai集合中元素个数，wi为Ai集合中标量参数。
[0020]特征值
[0021]原始欺诈风险率比：Ro,i＝N1,i/(N0,i+N1,i)，其中N1,i为集合类型i中欺诈交易总数，N0,i为集合类型i中非欺诈交易总数。对数发生比：Xlo,i＝log(Ro,i/(1.0
‑
Ro,i))。修正平滑公式： Xs,i＝bi Xi+(1
‑
bi)Xid其中bi为集合类型i中修正平滑权重，Xid为集合类型i中特征X的缺省参考值。校准公式：其中OSi为集合类型i对于特征X的历史参考偏移
[0022]本专利技术经风险指模提取及建立风险指模数学公式等，把包括文字在内的交易风险在各个交易参数集合中的历史特征提取为连续的、平滑的和数字化的数据，并把离散的交易参数集合中的风险变量转化为各个集合中符合一定数学概率分布的连续风险变量，最大化交易风险历史特征的信息度，提取的风险指模数据可以直接或间接用于欺诈风险评估的人工智能模型输入变量，为复杂人工智能模型的使用提供可能性，也为使用海量交易数据训练可拓展系统模型起到了有利保证。克服了现有技术人工智能模型接受数字数据不接受集合或文字数据输入，无法对反欺诈技术的提升起到支持作用的弊端。
[0023]以上显示和描述了本专利技术的基本原理和主要特征及本专利技术的优点，对于本领域技术人员而言，显然本本专利技术限于上述示范性实施例的细节，而且在不背离本专利技术的精神或基本特征的情况下，能够以其他的具体形式实现本专利技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本专利技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.金融交易欺诈风险指模平滑函数提取方法，其特征在于包括风险指模的提取及建立风险指模的数学公式两个步骤；所述风险指模的提取包括在原始样本数据库中搜集并提取包括文字在内的数据，计算各个交易参数集合中数据的统计特征值、对各个交易参数集合中统计特征值进行修正、判断各个交易参数集合中的风险指模是否符合某种数学概率分布的连续变量四个分步骤；所述风险指模的数学公式包括建立特征值公式、原始欺诈风险率比公式、对数发生比公式以及修正平滑公式、校准公式。2.根据权利要求1所述的金融交易欺诈风险指模平滑函数提取方法，其特征在于，在原始样本数据库中搜集并提取包括文字在内的数据，主要是指在某种场景下、某个交易参数集合中、在某段历史时间内的样本数据。3.根据权利要求1所述的金融交易欺诈风险指模平滑函数提取方法，其特征在于，计算各个交易参数集合中数据的统计特征值，特征值是指均值均方差，发生比等。4.根据权利要求1所述的金融交易欺诈风险指模平滑函数提取方法...

【专利技术属性】
技术研发人员：金坚，徐欣，
申请(专利权)人：上海开明智盾智能科技有限公司，
类型：发明
国别省市：