深度學(xué)習(xí)在農(nóng)村金融行業(yè)風(fēng)險管理中的應(yīng)用研究

于振+丁冰冰+劉永健

摘 要：農(nóng)村金融在我國金融系統(tǒng)中占有重要地位，渠道廣、客戶多、數(shù)據(jù)大，且由于其金融主體特殊，農(nóng)村經(jīng)濟及產(chǎn)業(yè)特殊，金融工具，組織結(jié)構(gòu)等都較為復(fù)雜，客戶群體防范意識和防范水平不高，金融業(yè)務(wù)存在巨大風(fēng)險。而且，在許多欺詐案件中，欺詐分子更加狡猾，欺詐手段和技術(shù)更加先進，欺詐行為呈現(xiàn)集團化、流水化的特征。深度學(xué)習(xí)是近些年來學(xué)術(shù)界和工業(yè)界都較為關(guān)注的一種機器學(xué)習(xí)模型，適用于大數(shù)據(jù)、復(fù)雜場景下的數(shù)據(jù)分析和挖掘，同樣在風(fēng)險預(yù)警、風(fēng)險管理中也有重要應(yīng)用。該文結(jié)合農(nóng)村金融系統(tǒng)中風(fēng)險管理方面的實際情況，論述了深度學(xué)習(xí)在其中發(fā)揮的重要作用，同時也為同行業(yè)解決同樣問題提供了一種新的思路。

關(guān)鍵詞：深度學(xué)習(xí) 農(nóng)村金融 風(fēng)險管理

中圖分類號：F832.35 文獻標(biāo)識碼：A 文章編號：1672-3791（2017）05（c）-0248-02

農(nóng)村金融業(yè)務(wù)可分為線下業(yè)務(wù)和在線業(yè)務(wù)，線下業(yè)務(wù)是傳統(tǒng)交易渠道，如銀行柜面、POS、ATM等，極易發(fā)生套現(xiàn)、偽卡等風(fēng)險。在線業(yè)務(wù)在互聯(lián)網(wǎng)環(huán)境中，由于交易發(fā)生在虛擬世界中，交易雙方的真實身份難以驗證，交易信息的真假難以辨別，作案手段更多變，存在巨大風(fēng)險。數(shù)據(jù)顯示，2014年P(guān)C端新增病毒1.37億個，相對2013年增長33%；2014年移動端新增支付類病毒13.7萬個，是2013年的3倍，共1 562萬個移動設(shè)備被感染。研究發(fā)現(xiàn)，支付類的病毒在感染設(shè)備后，通過獲取用戶信息，進而控制手機、攔截短信驗證碼，以盜取在線賬戶財物或通過快捷支付通道進行盜卡套現(xiàn)，給持卡人和互聯(lián)網(wǎng)支付公司帶來較大資金損失。CNNIC 2013年9月份的調(diào)查顯示，在被調(diào)查的人員中，74.1%的人在過去半年內(nèi)遭遇過不同形式的欺詐威脅，其中涉及到資金損失的人均損失金額達到509.2元，推算全網(wǎng)2013年上半年的半年損失額達到196.3億元，其中相當(dāng)一部分是通過互聯(lián)網(wǎng)支付通道銷贓，互聯(lián)網(wǎng)支付企業(yè)承擔(dān)了較大的資金損失。因此，無論是線下業(yè)務(wù)還是線上業(yè)務(wù)，對于農(nóng)村金融系統(tǒng)來說，都面臨著數(shù)據(jù)量大，交易模式復(fù)雜，風(fēng)險識別難度較大等挑戰(zhàn)[1]。

1 當(dāng)前現(xiàn)狀及深度學(xué)習(xí)概述

1.1 當(dāng)前現(xiàn)狀

傳統(tǒng)的風(fēng)險管理系統(tǒng)通過分析業(yè)務(wù)流程，重點關(guān)注業(yè)務(wù)過程中存在的安全手段，如查詢密碼、支付密碼、手機驗證等，分析這些安全手段識別出風(fēng)險行為，然后深入分析風(fēng)險行為的特征，例如：時間異常、地點異常、行為異常、關(guān)聯(lián)交易等，依據(jù)這些特征及其有意義的組合，制定有效的風(fēng)控規(guī)則，最后通過風(fēng)控規(guī)則構(gòu)建風(fēng)險控制模型，進行數(shù)據(jù)監(jiān)控。由上所述，風(fēng)控規(guī)則的制定至關(guān)重要，它決定了風(fēng)險管理系統(tǒng)運行結(jié)果的準(zhǔn)確性和有效性。在復(fù)雜的交易場景下，且隨著現(xiàn)代化支付手段的不斷更新和升級，若風(fēng)控規(guī)則不能有針對性的進行優(yōu)化和動態(tài)調(diào)整，風(fēng)險管理系統(tǒng)的效率識別會受到影響，因此，能否使得通過風(fēng)控規(guī)則構(gòu)建出的風(fēng)險控制模型具備一定的學(xué)習(xí)優(yōu)化能力是衡量一個風(fēng)控管理系統(tǒng)是否有效的重要標(biāo)準(zhǔn)。

1.2 深度學(xué)習(xí)概述

大腦表示信息的方式是通過感官信號從視網(wǎng)膜傳遞到前額大腦皮質(zhì)再到運動神經(jīng)的時間，推斷出大腦皮質(zhì)，并未直接地對數(shù)據(jù)進行特征提取處理，而是使接收到的刺激信號通過一個復(fù)雜的層狀網(wǎng)絡(luò)模型，進而獲取觀測數(shù)據(jù)展現(xiàn)的規(guī)則，也就是說人腦是根據(jù)經(jīng)聚集和分解過程處理后的信息來識別物體。人類感知系統(tǒng)明確的層次結(jié)構(gòu)極大地降低了視覺系統(tǒng)處理的數(shù)據(jù)量，并保留了物體有用的結(jié)構(gòu)信息[2-3]。

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，模仿人腦那樣高效準(zhǔn)確地表示信息，對于要提取具有潛在復(fù)雜結(jié)構(gòu)規(guī)則的自然圖像、視頻、語音和音樂等結(jié)構(gòu)豐富數(shù)據(jù)，深度學(xué)習(xí)能夠獲取其本質(zhì)特征。深度學(xué)習(xí)是機器學(xué)習(xí)領(lǐng)域一個新的研究方向， 它是蘊含了很多個隱含層的深度神經(jīng)網(wǎng)絡(luò)，具備優(yōu)異的特征學(xué)習(xí)的本領(lǐng)，能夠更本質(zhì)的抽象和表達數(shù)據(jù)，通過逐層的數(shù)據(jù)初始化來優(yōu)化數(shù)據(jù)模型訓(xùn)練過程，進而提升模型預(yù)測分類的準(zhǔn)確性。近年來在數(shù)據(jù)挖掘、計算機視覺、大數(shù)據(jù)處理分析等多類應(yīng)用中取得突破性的進展，尤其在近兩年利用深度學(xué)習(xí)的方法來處理金融數(shù)據(jù)更是掀起了研究及應(yīng)用浪潮[3]。因此，如何利用新興的機器學(xué)習(xí)技術(shù)有效地解決農(nóng)村金融系統(tǒng)中風(fēng)險管理的難題成為了該文論述的重點內(nèi)容。

2 基于深度學(xué)習(xí)的風(fēng)險管理系統(tǒng)

由前所述，目前的金融系統(tǒng)尤其是農(nóng)村金融系統(tǒng)中，由于其主體、經(jīng)濟、工具、組織結(jié)構(gòu)、業(yè)務(wù)場景等的特殊性都較為復(fù)雜，客戶群體的防范意識和防范手段也并不充足，因此風(fēng)險管理一直是農(nóng)村金融系統(tǒng)所面臨的一個重要挑戰(zhàn)。

然而機器學(xué)習(xí)的興起，尤其是近些年來深度學(xué)習(xí)的興起，對于我們解決農(nóng)村金融系統(tǒng)風(fēng)險管理問題帶來了一些啟發(fā)。所謂的機器學(xué)習(xí)，即利用經(jīng)驗改善自身性能，是人工智能的核心。深度學(xué)習(xí)是目前機器學(xué)習(xí)領(lǐng)域研究最為前言且效果最佳的幾種學(xué)習(xí)范式之一，尤其適用于海量數(shù)據(jù)，規(guī)則復(fù)雜的場景。下面該文重點論述深度學(xué)習(xí)如何在農(nóng)村金融系統(tǒng)中應(yīng)用。

2.1 數(shù)據(jù)采集

數(shù)據(jù)采集是風(fēng)險管理的基礎(chǔ)，為使風(fēng)險管理系統(tǒng)能夠提供便利與靈活的風(fēng)險控制服務(wù)，需要采集來自業(yè)務(wù)系統(tǒng)的所有數(shù)據(jù)，包括用戶信息數(shù)據(jù)，以及交易相關(guān)的數(shù)據(jù)等，將采集到的數(shù)據(jù)作為重要輸入傳遞到風(fēng)險管理系統(tǒng)。

2.2 風(fēng)控引擎

我們將制定出的風(fēng)險控制規(guī)則作為深度學(xué)習(xí)層級結(jié)構(gòu)中的輸入，通過其多個隱含層的深度神經(jīng)網(wǎng)絡(luò)，使其具備優(yōu)異的特征學(xué)習(xí)的本領(lǐng)，模型的訓(xùn)練是有監(jiān)督的學(xué)習(xí)過程，規(guī)則的權(quán)值是通過學(xué)習(xí)不斷調(diào)整直到達到想要的效果，從而構(gòu)建出風(fēng)控引擎，見圖1。

訓(xùn)練步驟如下：

（1）給輸入變量權(quán)值設(shè)置初值，通常為隨機的非零常數(shù)。

（2）選定訓(xùn)練集，即輸入和對應(yīng)的輸出變量。

（3）求出感知機對應(yīng)輸入變量得到的輸出Y。

（4）根據(jù)輸出調(diào)整權(quán)值。

（5）如果某一項感知機輸出等于訓(xùn)練集輸出，學(xué)習(xí)停止；如果不等于，返回繼續(xù)調(diào)整權(quán)值。

風(fēng)控引擎能夠?qū)崟r判斷采集到的交易數(shù)據(jù)和風(fēng)控規(guī)則的匹配度，對支付流水進行實時處理，還要能夠?qū)崟r處理復(fù)雜的邏輯運算，包括時間窗口移動、波動性判斷、集中度判斷、連續(xù)遞增、連續(xù)遞減等。根據(jù)預(yù)設(shè)的風(fēng)險指標(biāo)對采集的所有靜態(tài)、動態(tài)數(shù)據(jù)進行分析，得出各項風(fēng)險指標(biāo)。當(dāng)交易觸發(fā)規(guī)則時，在事中模式下，系統(tǒng)自動執(zhí)行對應(yīng)的管控策略，實現(xiàn)事中管控。

2.3 風(fēng)控系統(tǒng)

將風(fēng)控系統(tǒng)建立在基于大數(shù)據(jù)處理理念和能力的技術(shù)平臺上，應(yīng)具有極強的數(shù)據(jù)處理能力、精確的數(shù)據(jù)分析能力，能夠提供強大、便利的反欺詐功能體系，包括風(fēng)險匹配、規(guī)則管理、案件預(yù)警、案件核查、案件分析、等內(nèi)容。同時，風(fēng)控系統(tǒng)還應(yīng)具備管理功能，包括參數(shù)的設(shè)置，規(guī)則的導(dǎo)入導(dǎo)出，策略的配置，權(quán)限的管理等。

3 結(jié)語

在我國農(nóng)村金融行業(yè)的發(fā)展中，風(fēng)險管理起步比較晚，風(fēng)險管理方法和技術(shù)也難以滿足業(yè)務(wù)快速發(fā)展。目前，農(nóng)村金融行業(yè)中的風(fēng)險管理側(cè)重于風(fēng)險的事中控制和事后補救，往往忽視了風(fēng)險的事先預(yù)警。大量經(jīng)驗表明，在經(jīng)營過程中，風(fēng)險隱患發(fā)現(xiàn)得越早，其造成的損失比率就越低。因此，加強風(fēng)險水平的事前監(jiān)測與管理顯得尤為重要。

該文的研究從我國農(nóng)村金融行業(yè)風(fēng)險管理所面臨的挑戰(zhàn)出發(fā)，結(jié)合當(dāng)前業(yè)界最前沿的機器學(xué)習(xí)技術(shù)，闡釋了深度學(xué)習(xí)在農(nóng)村金融行業(yè)風(fēng)險管理系統(tǒng)中應(yīng)用的可能性，為行業(yè)內(nèi)解決風(fēng)險控制面臨的難題提供了一種新的解決思路。

參考文獻

[1] 潘群峰，石明虹.商業(yè)銀行風(fēng)險預(yù)警系統(tǒng)研究[J].現(xiàn)代管理科學(xué)，2003（10）：25-26.

[2] 韓小虎，徐鵬，韓森森.深度學(xué)習(xí)理論綜述[J].計算機時代，2016（6）：107-110.

[3] 楊杰群.基于深度學(xué)習(xí)之股指期貨交易[D].中國科學(xué)技術(shù)大學(xué)，2015.

[4] 劉建偉，劉媛，羅雄麟.深度學(xué)習(xí)研究進展[J].計算機應(yīng)用研究，2014（7）：1921-1930.

[5] 張微.我國商業(yè)銀行風(fēng)險預(yù)警系統(tǒng)研究[D].天津財經(jīng)大學(xué)，2009.