为什么说传统银行反欺/诈模型具有局限性?

发布网友发布时间：2022-04-23 13:14

共2个回答

热心网友时间：2023-07-01 23:40

小众的欺诈事件越来越难以用商业经验和确切规则描述出来，国内目前的欺诈都是rule base（规则驱动）的，即凭借过往经验和从此前发生过的事实中，抽象出系列规则，每一条规则触发一种欺诈场景，交叉组合所施加的业务逻辑判断，就构成了欺诈模型，但在这个过程中，传统规则的模型就会带来很多问题，申请欺诈就很难将一些难以描述的规则抽象出来。以光大银行为例，2013年，光大银行即与天云大数据成立了联合人工智能实验室，利用天云大数据的BDP、Maxim ai人工智能平台结合银行历史积淀的数据建模进行金融反欺诈

热心网友时间：2023-07-01 23:40

银行经过多年历史数据沉淀，拥有大量的历史违约和欺诈数据，是反欺诈的重点聚焦领域。但对传统银行来说，一些传统的反欺诈手段，无论在效率、有效性、全面性以及成本上都是银行的短板，尤其随着互联网金融的兴起，非现场交易增多，更是加剧了银行风险防控的难度。
国内外银行在传统反欺诈管理中主要依赖专家经验，通过人工方式制定检测规则，当申请或交易信息与反欺诈规则匹配后即执行相应的业务策略。这种管理模式得出的反欺诈规则存在一定的局限性，不能枚举所有业务场景，无法对各类欺诈行为进行全面覆盖。与此对应，欺诈者会针对性的对已有规则进行回避，导致专家规则处于被动调整的位置，无法跟上欺诈手段的更新换代。另外，当专家规则积累达到一定数量后误报率通常会比较高，能够影响到实际风险决策制定和实际业务开展。