隨著銀行業(yè)發(fā)展的日新月異,交易數(shù)量呈指數(shù)型增長(zhǎng),與此同時(shí)異常交易也在增多,造成了不可估量的損失和風(fēng)險(xiǎn)。就如何從海量客戶(hù)信息及銀行卡交易數(shù)據(jù)中精準(zhǔn)識(shí)別可疑交易,采用基于Fisher判斷準(zhǔn)則的BalanceCascade算法解決銀行卡異常交易識(shí)別中的數(shù)據(jù)不平衡問(wèn)題,提出了一種有效的異常交易檢測(cè)模型。同時(shí),將AUC和K-S指標(biāo)作為不平衡數(shù)據(jù)分類(lèi)的性能評(píng)價(jià)標(biāo)準(zhǔn),最后對(duì)Kaggle數(shù)據(jù)平臺(tái)的銀行卡異常交易數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn),結(jié)果顯示本文提出的檢測(cè)模型的性能評(píng)價(jià)指標(biāo)AUC達(dá)到0.92的同時(shí)KS值也高達(dá)0.65,說(shuō)明該模型在盡可能降低誤報(bào)率的同時(shí)具有較高的分類(lèi)識(shí)別能力,該方法對(duì)銀行卡異常交易識(shí)別有一定的參考價(jià)值,對(duì)銀行增強(qiáng)快速反應(yīng)和提高客戶(hù)服務(wù)水平有一定作用。 

【文章來(lái)源】：計(jì)算機(jī)仿真. 2019,36(12)北大核心

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

本文模型與原級(jí)聯(lián)平衡算法得出的ROC曲線(xiàn)對(duì)比圖

表1 KS值區(qū)分能力 KS值 區(qū)分能力 <0.20 無(wú) 0.21～0.40 低 0.41～0.50 中 0.51～0.60 高 0.61～0.75 極高 >0.9 太高,可能有問(wèn)題圖3為本文模型在Kaggle異常交易數(shù)據(jù)集上的K-S曲線(xiàn),由此可計(jì)算知K-S值為0.65,屬于區(qū)分水平極高這一檔,相比于圖4原級(jí)聯(lián)平衡算法得出的0.60的KS值提高了一個(gè)檔次,可以應(yīng)用在現(xiàn)實(shí)的銀行卡異常交易檢測(cè)任務(wù)中。對(duì)比實(shí)驗(yàn)結(jié)果表明,本文提出的基于Fisher判別準(zhǔn)則的 BalanceCascade算法是一種識(shí)別銀行卡異常交易檢測(cè)問(wèn)題的有效方法。

圖3為本文模型在Kaggle異常交易數(shù)據(jù)集上的K-S曲線(xiàn),由此可計(jì)算知K-S值為0.65,屬于區(qū)分水平極高這一檔,相比于圖4原級(jí)聯(lián)平衡算法得出的0.60的KS值提高了一個(gè)檔次,可以應(yīng)用在現(xiàn)實(shí)的銀行卡異常交易檢測(cè)任務(wù)中。對(duì)比實(shí)驗(yàn)結(jié)果表明,本文提出的基于Fisher判別準(zhǔn)則的 BalanceCascade算法是一種識(shí)別銀行卡異常交易檢測(cè)問(wèn)題的有效方法。4 結(jié)束語(yǔ)

【參考文獻(xiàn)】：
期刊論文
[1]基于Ext-GBDT集成的類(lèi)別不平衡信用評(píng)分模型[J]. 陳啟偉,王偉,馬迪,毛偉.  計(jì)算機(jī)應(yīng)用研究. 2018(02)
[2]基于Fisher準(zhǔn)則和最大熵原理的SVM核參數(shù)選擇方法[J]. 周紹磊,廖劍,史賢俊.  控制與決策. 2014(11)
[3]基于模糊Fisher準(zhǔn)則的自適應(yīng)降維模糊聚類(lèi)算法[J]. 支曉斌,范九倫.  電子與信息學(xué)報(bào). 2009(11)
[4]基于Fisher準(zhǔn)則和特征聚類(lèi)的特征選擇[J]. 王颯,鄭鏈.  計(jì)算機(jī)應(yīng)用. 2007(11)

博士論文
[1]基于信用評(píng)分模型的小微企業(yè)貸款的可獲得性研究[D]. 朱艷敏.蘇州大學(xué) 2014



本文編號(hào)：3394208