[发明专利]金融交易欺诈风险指模平滑函数提取方法

说明书

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。

技术领域

本发明涉及金融部门应用的反欺诈技术领域，特别是一种金融交易欺诈风险指模平滑函数提取方法。

背景技术

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。

发明内容

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，本发明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。

本发明解决其技术问题所采用的技术方案是：

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。

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。

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。

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。

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：

特征值Xsd,i公式为：

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)。

进一步地，所述对数发生比公式为：Xlo,i＝log(Ro,i/(1.0-Ro,i))。

进一步地，所述修正平滑公式为；Xs,i＝bi Xi+(1-bi)Xid。