“机器猫”肆意猖獗，商业银行该何去何从？

目录

（一）立项依据 1、研究背景

随着信息技术的兴起，信用欺诈技术和手段不断升级，欺诈形式日益隐蔽、复杂和智能化。 商业银行面临着更加严峻的信用欺诈风险和压力。 据统计，作为我国“五大银行”之一的建设银行，贷款欺诈风险占建设银行操作风险的比例高达20%，造成严重的经济损失和声誉损害。 目前，大多数外资主要银行已将欺诈风险管理作为公司核心竞争力的重要考核，并基本建立了以相对独立的欺诈风险管理部门为核心，各业务和职能部门共同参与的管理架构。 我国商业银行已逐渐认识到欺诈风险的危害，并采取了一些相应的控制措施。 但普遍缺乏有效的反舞弊策略和方法，尚未建立科学合理的反舞弊监测和识别体系。 2020年1月，我国银保监会发布《关于推动银行保险业高质量发展的指导意见》，强调要切实发挥大数据、人工智能等技术的积极作用打击非法集资、反洗钱、反欺诈。 一、精准有效防范和化解银行保险业各类风险。 可见，利用特征工程、机器学**等方法探索商业银行企业信用欺诈的识别，对于应对当前严峻的信用欺诈风险、遏制企业信用欺诈、维护利益具有重要意义。银行。

2 研究目的及意义

该项目以商业银行法人客户真实信用信息为数据，利用特征工程提取重要特征，并基于重要特征利用方法建立商业银行法人客户反欺诈模型。 它进一步使用机器学**库工具来探索最佳参数组合。 完善反欺诈模式。 因此，探索如何利用特征工程和方法对企业信用进行识别，对于商业银行防控信用欺诈风险具有较强的理论和实践意义。

(一)理论意义

利用特征工程和机器学**技术构建商业银行识别企业信用欺诈的模型，可以收集和整合多源数据，提取专家规则难以检测的欺诈识别特征，并通过训练高维模型自我迭代学**，这不仅有利于拓展大技术的应用领域，也有利于完善反欺诈模型、完善银行反欺诈体系。

(二)现实意义

本项目建立的企业信用欺诈识别模型将有助于提高商业银行发现欺诈风险的效率，提高商业银行对不良企业客户的识别能力，减少商业银行向不良企业客户提供贷款所造成的欺诈损失。

3.国内外研究现状及趋势分析

信用诈骗是指通过窃取数据、包装等方式骗取银行贷款的行为。 随着银行金融业的崛起，信用风险和信用欺诈日益增多。 这吸引了众多国内外学者对如何应对信用风险和信用欺诈问题进行深入研究。

(一)国外研究现状

国外关于如何应对信用欺诈的研究主要集中在欺诈风险的监控和管理以及信用风险预测方面。 在欺诈风险监测和管理方面，Carol（2003）[1]通过建立统计模型、损失分布函数等研究了商业银行风险的成因和管理。Chavz等。 (2016)[2]从战略、流程、基础设施、环境等方面研究风险管理要素，提出利用智能技术加强风险防控。 T. (2009)[3]提出了欺诈预防和内部控制的流程图。

在信用风险预测方面，Tian-Shyug Lee 等人。 (2005)[4]采用人工神经网络和多变量自适应两阶段回归混合建模，将得到的重要变量作为神经网络模型的输入节点，建立信用评分模型。 该模型优于判别分析和逻辑回归的结果，成为处理信用评分问题的替代方案。 伊恩·布朗等人。 (2012)[5]发现随机森林和梯度增强分类器在信用评分环境中表现非常好，并且能够很好地应对这些数据集中的类别不平衡问题。 (2018)[6]要求对真实的银行贷款数据进行实证研究，基于决策树研究银行贷款违约，并与诸如. 结果表明，利用现代技术可以达到更高的准确性，实现精准借贷。

（二）国内研究现状

我国信用欺诈研究起步较晚，还比较落后； 不过，自2013年我国征信制度建立以来，逐渐涌现出一批学者来深入研究这一领域。 肖金等人。 (2015)[7]提出了针对缺失数据的动态分类器集成选择模型DCESM，并与两个银行信用卡业务信用评估数据集和四种常见的多分类集成模型进行了比较分析。 结果表明，DCESM模型能够取得较好的客户信用评估绩效。 陈云和石松(2016)[8]将SVM集成学**模型应用于信用风险评估，提出了混合集成模型，并用两组公共信用数据集进行了测试。 结果表明，混合集成能够有效地进行信用风险评估。 评价。 马晓军等. (2019)[9]利用PSO优化加权随机森林模型对上市公司信用进行评级。 其准确性有所提高，总体优于传统决策树、支持向量机和随机森林模型。 夏立宇等. (2019)[10]将算法与Group Lasso模型相结合，对某商业银行小微企业信贷业务数据进行实证研究。 研究表明，该方法在贷款客户分类方面明显优于常规方法，能够有效防控客户违约风险。 曹志辉(2019)[11]利用某金融机构的真实业务数据建立了逻辑回归、支持向量机和反欺诈模型，通过比较分析得出它们在金融反欺诈应用中效果最好。

通过阅读和研究国内外文献可以看出，现有的信用反欺诈研究文献主要以信用风险和信用评估为手段来确定客户信用欺诈的概率。 从研究发展来看，早期主要采用传统统计方法进行信用评价，侧重于信用风险的监测和管理。 近年来，大数据、机器学**等现代技术的兴起，为信用欺诈的研究提供了基础。 更有力的技术手段，特别是基于逻辑回归、支持向量机等机器学**技术的应用，对于识别信用欺诈是有效的。

4. 参考文献

[1]。 风险：，[M].，2003。

[2]V. ，P.，J. 对于：6，和[J]。 , 2006, 30(10): 2635-2658。

[3] M．离子风险[J]． 离子风险： 、 和 ，Hall-Times，2003 年。

[4]Lee TS, Chen I F. 使用 和 的两阶段模型[J]. 与，2005，28（4）：743-752。

[5] Brown I, Mues C. 数据集的 An of 分析[J]. , 2012, 39(3): 3446 -3453.

[6] A, P. of [J] and , 2018:.

[7] 肖进，刘敦虎，顾欣，王寿阳。 银行客户信用评估动态分类器集成选择模型[J]. 管理科学, 2015, 18(03): 114-126.

[8]陈云，石松，潘岩，于力。 基于SVM混合集成的信用风险评估模型[J]． 计算机工程与应用，2016，52(04)：115-120。

[9]马晓军，董碧英，王长新。 基于PSO优化加权随机森林算法的上市公司信用评级模型设计[J]. 数量经济与技术经济研究, 2019, 36(12): 165-182.

[10] 夏立宇，张勇，卢强，唐光瑞。 算法与回归相结合的信用评级方法[J]． 信用信息，2019，37(11)：56-59。

[11]曹志辉. 机器学**在汽车金融反欺诈模型中的应用研究[D]. 天津商业大学，2019。

（二）研究内容和研究目标 1.研究内容、研究目标、需要解决的关键科学技术问题 （一）研究内容

本项目以商业银行信用欺诈危害的实践基础和信用风险管理的理论基础为基础，探讨基于商业银行的企业信用欺诈识别的必要性。 了解企业信用欺诈的运作流程，利用大数据全方位、多维度地监控和识别信用欺诈，分析商业银行企业客户的信用特征，然后利用特征工程技术提取关键特征，然后利用机器学**技术（）利用关键特征数据进行建模，从而达到从信用特征判断企业客户发生信用欺诈概率的目的，即形成信用反欺诈事前预防和防范。控制机制。 这样才能彻底杜绝信用欺诈，充分发挥信用反欺诈的前瞻性、有效作用，为商业银行信用反欺诈提供科学参考。

（二）研究目标

本项目旨在以商业银行真实的贷款诈骗案例为切入点，以商业银行真实的企业客户信贷业务为数据，利用机器学**探索欺诈客户的识别方法，包括通过提取企业客户的关键信用信息。特征工程。 特征，利用关键特征建立商业银行识别企业信用欺诈的模型，以达到推动银行业现有反欺诈模式升级转型的目标，促进现有反欺诈体系的完善。欺诈系统，减少银行因欺诈贷款而遭受的损失。

（三）需要解决的关键科技问题

商业银行企业贷款诈骗案件主要有两种表现形式：一是外部信用诈骗； 二是内外部串通诈骗。 这两种诈骗形式均具有诈骗风险高、识别难度大的特点。 本项目旨在建立一个能够实现事前预防、贷前防控的机器学**模型，解决商业银行遭受的企业信用欺诈损失问题：

本项目要构建的模型对于两种形式的企业信用欺诈都是通用的，唯一的区别在于输入的关键特征。

2、请比较分析该项目的特点和创新点。

（1）技术上，利用机器学**技术（特征工程）为银行信贷反欺诈提供技术支撑。 与现有的银行反企业欺诈研究相比，本项目技术具有训练速度更快、计算效率更高、内存占用更低、准确率更高的特点，并具备大数据处理能力。

（2）理论上，以大数据风控理论和信息不对称理论作为探索信用反欺诈体系的理论支撑。

（三）思维上，从实际出发技术创新基金网，以事件发生的先后顺序为线索，分析诈骗手段，了解诈骗防控体系，反思其缺陷； 在此基础上，探究诈骗者的信用特征，并利用机器学**技术进行建模。 提前建立防控机制。 思路清晰，逻辑严密。

三、研究计划及可行性分析 （一）研究方法

本项目计划采用调查研究方法、机器学**方法（包括特征工程）和案例研究方法。

特征工程：它是机器学**的一种，也称为变量选择、属性选择或变量子集选择。 它是模型构建中选择相关特征并形成特征子集的过程。 该项目用于提取与企业客户信用相关的关键特征。

：全称Light，是一个基于决策树算法的分布式梯度提升框架。 该项目计划为商业银行建立一个识别企业信用欺诈的模型。

（二）技术路线

（三）关键技术

本项目的关键技术是特征工程和特征工程，这两者都是现有机器学**技术中比较先进、实用的技术。

（四）可行性分析

本项目研究商业银行如何识别企业信用欺诈并防范银行欺诈风险。 研究内容来源于现实生活，是2020年银保监会关注的重点问题，具有研究价值和可行性。

本项目的研究技术包括调查研究方法、机器学**方法（包括特征工程）和案例研究方法。 调查研究方法和案例研究方法简单可行； 通过编程软件可以实现特征工程，为本项目建立反欺诈模型提供核心技术支持。

我们的团队由优秀导师周教授和两名优秀硕士生陈冠宇18岁和黄宝莲19岁组成。

指导老师：XX教授的研究领域包括本项目的研究方向，在这方面有一定的造诣。 2017年，xx教授及其团队撰写的文章案例xxx在全国金融硕士教学案例大赛中获奖； 2019年，他与本项目成员xxx发表了核心文章xxx； 此外，周教授还有两个原创案例库xx、xx。 因此，xx教授可以为本项目提供深入、有针对性的指导。

团队成员：团队中的学生具有吃苦耐劳的品质和基本的科研能力。 xxx参加省级大学生创新创业培训2次，开展大学生创新基金调研1次； 荣获全国“互联网+”大学生创新创业大赛铜奖、四川省“创庆庆”大学生创新创业大赛银奖； 第一作者发表核心文章1篇，共同发表SCI一区论文1篇。 具有基础的科研经验和丰富的竞赛经验，为该项目的正常推进奠定了基础。

四、项目进度表

序列号

时间

项目进度

2020.03-2020.03

设计本项目总体实施方案并对本项目进行理论研究

2020.04-2020.05

收集商业银行企业信用欺诈相关案例，结合本项目的研究内容，完成完整的案例及案例指导手册，并以此参加第六届（2020年）全国金融专业学位教学案例大赛

2020.06-2020.07

收集样本数据，利用特征工程构建商业银行识别企业信用欺诈的模型，并利用数据反复训练模型

2020.09-2020.10

根据之前的理论分析和模型，撰写本项目的研究报告

2020.11-2021.12

修改完善本项目研究报告并申请完成

（三）研究基础和条件 1、本项目相关研究工作的积累及取得的研究成果

项目导师XX长期从事金融教学工作。 近年来，他参与了该项目的相关研究并给出了成果实例。 另外，学校的xx教授多年来围绕理论课程教学与实践课程教学相结合的理念，系统、全面地建设了案例库和教材库。 他时刻关注经济动态，动态更新案例库，可以为本项目后期工作提供支持。 （特别是通过案例写作）提供专业、有针对性的指导。

在查阅大量资料和文献的基础上，项目负责人xxxx及项目成员对项目研究内容有了深刻的理解，对研究思路有了清晰的把握，并熟练掌握了所要使用的关键技术。 定期会议加强了小组成员之间的有效沟通和讨论。 在周玉平导师的带领下，他们逐渐拨开未知的迷雾，理清了研究思路。

2.现有的实验条件、尚缺乏的实验条件以及提出的解决方案

(1) 资料齐全

武汉理工大学经济学院设有专业阅览室，专业图书种类齐全。 并有权使用CNKI、维普、万方、百度文库等专业文献检索平台，方便我们收集理论资料。 此外，百度、谷歌等搜索引擎为我们审查商业银行法人客户信用欺诈案件提供了便捷的渠道。

(2)软件设施齐全

武汉理工大学经济学院金融学硕士项目依托软件功能为学生提供专业训练。 学院拥有省级研究基地湖北省科技创新与经济发展研究中心（STIED）、校级研究中心金融科技与风险管理研究中心和金融创新与金融工程研究中心。 配备各种专业财务软件供学生使用。 此外，学院还为学生提供各种财务软件的安装服务，包括wind等数据软件，为我们案例撰写过程中的数据来源提供了保障。

（三）案例构建

导师XX教授指导的金融硕士案例xxx荣获2020年度全国金融硕士优秀案例奖。 同时，多年来我们注重理论课程教学与实践课程教学相结合的理念，时刻关注经济动向，动态更新案例库，编制了XX两门课程的案例库。和XX，共51个原始案例，作为本项目的案例。 编写提供了指导思想和经验参考。

3、申请人及项目组主要成员的研究工作简历

只需列出您的姓名、简历、角色和任务

（四）研究预期成果、成果报送形式，制定实现预期目标的未来计划和安排。

（一）研究预期成果

(2) 提交成绩表

（三）为实现预期目标的计划安排准备情况

序列号

时间

项目策划及安排

2020.03-2020.03

设计本项目总体实施方案并对本项目进行理论研究

2020.04-2020.05

收集商业银行企业信用债券相关案例，结合本项目的研究内容，完成完整的案例及案例指导手册，并以此参加第六届（2020年）全国金融专业学位教学案例大赛

2020.06-2020.9

收集样本数据，利用特征工程构建商业银行识别企业信用欺诈的模型，并利用数据反复训练模型

2020.10-2020.12

根据之前的理论分析和模型，撰写本项目的研究报告

2021.01-2021.03

修改完善本项目研究报告并申请完成