✦
✦
✦
金融类项目案例
课程链接
https://www.qingjiaoclass.com/market/detail/62910
交易欺诈风险识别
近年来，跨境赌博、电信网络诈骗、黑产等外部欺诈违法犯罪形势日益严 峻，呈现线上化、产业化、团伙化等特征。面对这一形势，国家加强了对反欺诈工作的重视，执法与监管机构也相应提高了管理要求的严格性。同时，监管机构督促各银行采用先进的金融科技和大数据分析系统，以识别新的资金交易模式，提炼出最新的风险特征，并不断优化风险监测模型，确保能够全面排查并有效应对已有的风险。
根据历史数据推测发生欺诈交易的概率以及其涉诈涉赌的核心因素，全面分析欺诈资金交易新方式，持续优化风险监测模型，构建涉诈涉赌算法识别模型，排查存量风险。
1.欺诈检测：主要目标是构建一个准确的模型，能够自动识别潜在的交易欺诈行为。通过分析历史交易数据，包括交易金额、交易时间、交易类型等特征，训练模型辨别正常交易和欺诈交易之间的模式和差异。
2.风险评估：根据交易的特征和历史数据，给出一个风险分数或概率，用于判断交易是否有可能涉及欺诈行为。这可以帮助机构更好地预警风险，采取适当的措施来防止欺诈发生。
3.降低误报率：在欺诈检测中，误报是一个常见的问题。项目的目标是通过优化模型和算法，尽量减少误报率，确保正常交易不被错误地标记为欺诈。
本数据集基于某银行提供的仿真交易流水数据，其中包含账户静态信息、账户交易信息以及用于标识的训练集标签。各数据集设计字段如下：
账单交易信息
流水序号 | 账户代号 |
对方账户 | 借贷标记 |
交易金额 | 账户余额 |
账单静态信息
账户代号 | 开户日期 |
开户机构代号 | 客户性别 |
年龄 | …… |
PyTorch（NN,0ptim）：机器学习与深度学习库。
Pandas：数据分析处理库。
Scikit-learn：机器学习库。
Matplotlib：数据可视化库。
Seaborn：基于Matplotlib的可视化库。
tqdm：进度可视化插件库。
任务1
特征处理
对账户交易数据中核心特征进行处理，计算每个账户转入转出、交易金额、人数等特征，对涉诈涉赌标签为空的记录进行删除缺失值、采样和归一化处理。
任务2
构建神经网络风控模型
使用PyTorch定义神经网络分类模型，将转化为张量的训练集特征带入分类模型进行训练，定义超参数和损失函数以及优化器对模型进行调优，切换为评估模式在测试集上进行验证，输出准确率、精确度、召回率和F1指数评估指标，以根据历史数据分析欺诈率。
关注“新道工科”公众号，“青椒课堂”平台内容全知道！
新道工科聚焦新IT与工业互联网，涵盖信息安全、工业互联网、大数据、人工智能、区块链、智能网联汽车、智能制造、工业智能等多个专业领域，基于用友集团和新道科技子公司红亚科技的产业与技术优势，不断深化和拓展数智化教学产品和内容，形成覆盖范围更广的课程体系及综合解决方案，为本科、高职、中职院校提供优质教学服务。
扫码关注
新道工科
微信号｜hongyaa-2012
