基于數(shù)據(jù)挖掘的反信用卡套現(xiàn)方案設(shè)計(jì)與實(shí)現(xiàn)

朱智君，陳蘇陽

(中山大學(xué) 南方學(xué)院，廣東 廣州 510000)

“互聯(lián)網(wǎng)+”背景下，信用卡產(chǎn)業(yè)發(fā)展迅速并具備一定規(guī)模.根據(jù)中國人民銀行統(tǒng)計(jì)，截至2018年一季度末，信用卡發(fā)卡量共計(jì)6.12億張，人均持有信用卡0.44張；信用卡授信總額為13萬億元，平均每張卡授信額度2.15萬元.信用卡在便利生活、促進(jìn)銷售、刺激需求等方面發(fā)揮重要作用[1]，與此同時，由于風(fēng)險意識、用卡環(huán)境不規(guī)范、風(fēng)險管理技術(shù)水平落后等問題，信用卡套現(xiàn)風(fēng)險不容小覷[2].

信用卡套現(xiàn)是指持卡人通過正常合法手續(xù)(ATM或柜臺)以外的其他手段，將信用額度內(nèi)的資金以現(xiàn)金方式套取，同時不支付銀行提現(xiàn)費(fèi)用的行為.信用卡套現(xiàn)的實(shí)施借助于“2主體+1中介+1手段”[3].其中，“2主體”是指現(xiàn)金存儲雙方，包括銀行、個人.一般情況下，銀行是現(xiàn)金流出主方，個人是現(xiàn)金流入主方，金錢流動方向是“銀行→個人”；“1中介”是指POS機(jī)、網(wǎng)絡(luò)商家、航空公司等.信用卡個人用戶通過中介完成信用卡套現(xiàn)過程，在此過程中，中介往往收取部分手續(xù)費(fèi)(提現(xiàn)費(fèi)用)；“1手段”是指在銀行主體不知情的情況下，個人主體通過中介進(jìn)行手段操作(個人主體可以通過POS機(jī)與商家進(jìn)行虛假交易；個人主體進(jìn)行虛假購票、錯誤購票，進(jìn)行退票等服務(wù)).必須強(qiáng)調(diào)，這些手段具有欺詐、違法、犯罪等特性.

國內(nèi)外現(xiàn)有文獻(xiàn)研究重點(diǎn)聚焦于信用卡風(fēng)險管理流程、信用卡風(fēng)險管理困難、數(shù)據(jù)挖掘算法研究等方面[4-7].在信用卡風(fēng)險管理實(shí)踐中，年齡、職業(yè)、月收入、住宅所有權(quán)、是否有電話、居住現(xiàn)址與工作的時間長度、地方區(qū)別、是否在國家機(jī)關(guān)工作、之前貸款數(shù)量等因素為信用風(fēng)險模型顯著變量.伴隨著銀行間競爭日趨激烈化，導(dǎo)致信用卡審核標(biāo)準(zhǔn)降低、信用卡發(fā)行及管理混亂、信用卡管理及使用風(fēng)險提高.現(xiàn)階段，信用卡風(fēng)險管理存在風(fēng)險意識缺失[8]、用卡環(huán)境不完善[9]、風(fēng)險管理技術(shù)水平落后等問題.

1 相關(guān)技術(shù)介紹

1.1 信用卡套現(xiàn)模型思路

首先，基于信用卡數(shù)據(jù)進(jìn)行數(shù)據(jù)抽樣.定義信息增益公式如下：

Gains(U,V)=Ent(U)-Ent(U/V).

(1)

該增益用于衡量信息，以消除數(shù)據(jù)抽樣中存在的隨機(jī)不確定性的程度.

其次，根據(jù)計(jì)算出的信息增益數(shù)值進(jìn)行排序(排序順序反映各個屬性變量在決策時的相對重要程度)，并將排序數(shù)據(jù)標(biāo)準(zhǔn)化：

(2)

其中i∈R，xi表示不同屬性增益值.相對重要程度在進(jìn)行反套現(xiàn)時只是反映某個屬性的相對程度，不能具體反映各個屬性數(shù)值所對應(yīng)的風(fēng)險程度，因此本文定義衡量數(shù)值對應(yīng)風(fēng)險程度的變量——信用風(fēng)險程度值.具體公式如下：

Zj=(a1×xj 1+a2×xj 2+a3×xj 3+a4×xj 4)/(xj 1+xj 2+xj 3+xj 4),

(3)

其中xj 1、xj 2、xj 3、xj 4分別表示屬性為j時，正?？蛻?、需關(guān)注客戶、嫌疑客戶和套現(xiàn)客戶的人數(shù)；a1、a2、a3、a4分別表示上述客戶的風(fēng)險系數(shù).套現(xiàn)可能性與風(fēng)險系數(shù)呈現(xiàn)出正相關(guān)關(guān)系.最后，對風(fēng)險程度值Zj進(jìn)行標(biāo)準(zhǔn)化處理，具體公式如下：

(4)

1.2 基于決策樹算法的分類方式

1.2.1 預(yù)處理分類數(shù)據(jù)

1)數(shù)據(jù)規(guī)范化 在原始數(shù)據(jù)集合中，部分屬性與分類的相關(guān)性較弱.因此，需要從眾多屬性中選擇與分類目標(biāo)相關(guān)性強(qiáng)的屬性.在本文中，為了確保分類效果，選擇了4種相關(guān)性強(qiáng)的屬性，分別是：信用卡筆數(shù)、信用卡金額、信用卡筆數(shù)占比、信用卡金額占比.每條數(shù)據(jù)信息主要由客戶代碼、信用卡交易筆數(shù)、交易金額、金額占比和是否套現(xiàn)等構(gòu)成.

一般而言，采取最小最大規(guī)范化方法需要預(yù)知具體值，容易受噪聲數(shù)據(jù)影響.但是規(guī)范化方法可以消除屬性之間值不同所導(dǎo)致的權(quán)重區(qū)別，并且能夠?qū)?shù)據(jù)映射至所需數(shù)據(jù)區(qū)間.根據(jù)交易金額屬性，最小值為1 500,最大值為4 845 300.采取規(guī)范化方法進(jìn)行計(jì)算，所有交易金額數(shù)據(jù)均位于[0,1]區(qū)間.對整個數(shù)據(jù)集進(jìn)行規(guī)范化后的結(jié)果如下表所示.

2)數(shù)據(jù)的泛化 由于決策樹算法連續(xù)數(shù)值處理能力較弱，因此需要對規(guī)范化后的數(shù)據(jù)進(jìn)行泛化處理，將其處理成離散數(shù)據(jù).本文中規(guī)范化后的數(shù)據(jù)映射區(qū)間為[0,1],因此可以根據(jù)數(shù)值來進(jìn)行l(wèi)ow，medium和high的劃分.劃分依據(jù)如下：[0,0.36]區(qū)間為low，[0.36,0.70] 區(qū)間為medium，[0.71,100]區(qū)間為high.泛化后的數(shù)據(jù)如下表所示.

表1 完全規(guī)范化后的結(jié)果表

表2 數(shù)據(jù)泛化的結(jié)果表

1.2.2 屬性選擇度量

綜合考慮屬性情況、測試代價、收益情況，重新設(shè)計(jì)劃分屬性選擇因子計(jì)算方法，以平均信息增益替代經(jīng)典信息增益，提高分類能力.

假設(shè)訓(xùn)練集為T，節(jié)點(diǎn)劃分屬性因子的計(jì)算如下：

(5)

其中，Ai為屬性集合A的第i個屬性.Averag-egain(Ai)表示平均的信息增益.TC(Ai)normal表示測試的代價情況.Incr_UCB(Ai)表示屬性Ai的增長情況.

1.2.3 決策樹剪枝

為確保剪枝效果，本文采用最小項(xiàng)目數(shù)目方法進(jìn)行剪枝[10].最小項(xiàng)目數(shù)目剪枝方法要求在剪枝之前設(shè)定每個分支最小項(xiàng)目的數(shù)目σ，然后自上而下對樹進(jìn)行掃描，具體方法如下：

1)假設(shè)子樹tb的左右2棵子樹的項(xiàng)目均小于σ，那么剪掉子樹tb，且在tb的位置上用葉節(jié)點(diǎn)替代.

2)若子樹tb左子樹的項(xiàng)目小于σ，但是右子樹的項(xiàng)目數(shù)目大于或者等于σ.那么將tb左子樹的左子樹剪掉，用右子樹替代tb.

1.3 基于KNN算法的分類方法

1.3.1KNN算法的基本思想

KNN算法(k-nearest-neighbor)算法是選擇特征空間中最鄰近訓(xùn)練樣本的數(shù)據(jù)進(jìn)行分類.其基本思想是所需要處理的數(shù)據(jù)屬于某一類取決于這個數(shù)據(jù)周圍臨近的k個點(diǎn).

通常KNN算法要求樣本屬性值連續(xù).本文采用歐氏距離計(jì)算不同樣本之間距離，其二維公式如下：

(6)

若樣本的屬性為多維則公式如下：

(7)

其中xi1表示的是x1點(diǎn)的第i維的屬性值，而xi2表示的是x2點(diǎn)的第i維的屬性值.由上述公式不難看出，本算法在計(jì)算距離時，如果點(diǎn)和屬性較多，那么計(jì)算開銷將十分大，這對硬件性能提出較高要求.

1.3.2 數(shù)據(jù)的預(yù)處理

在計(jì)算過程中通常會出現(xiàn)樣本特征值取值范圍較大的情況.例如：特征A和B,若A的值區(qū)間在[0,1]之間，而B的取值范圍在[0,100 000]之間，就會出現(xiàn)計(jì)算后的距離將十分遠(yuǎn)離A.另外，有些樣本屬性與分類無關(guān)，還存在不同量綱的情況，所以需要對數(shù)據(jù)進(jìn)行預(yù)處理.本文采用的預(yù)處理方法是對屬性值進(jìn)行規(guī)范化.

2 改進(jìn)算法分析

2.1 改進(jìn)的決策樹分類過程

2.1.1 改進(jìn)的決策樹算法步驟

為了簡化模型同時不完全丟失熵模型優(yōu)點(diǎn)，CART分類算法使用基尼指數(shù)進(jìn)行樣本屬性選擇；為了提高識別效果，本文采用隨機(jī)森林模型提高反套現(xiàn)識別的準(zhǔn)確率[11].在本文的隨機(jī)森林模型中，將決策樹模型和CART算法相結(jié)合，以確保模型具有良好魯棒性和泛化能力.

改進(jìn)后的決策樹算法步驟如下：

Step 1 初始化ρmin=∞，最優(yōu)子樹集合ω={T}，α=2；

Step 3 得到所有節(jié)點(diǎn)的ρ值的集合M；

Step 5 最優(yōu)子樹集合ω=ω∪Tk，Mk=M-{ρk};

Step 6 如果M不為空，則回到步驟4，否則就已經(jīng)得到了所有可選最優(yōu)子樹集合ω；

Step 7 采用交叉驗(yàn)證在ω中選擇最優(yōu)子樹Tρ.

改進(jìn)的決策樹結(jié)果展示如下：

根據(jù)下圖所示的結(jié)果，共有29根決策路徑.其中有16根路徑是為套現(xiàn)結(jié)果.將整個決策結(jié)果導(dǎo)入至Risk_Decision_Tree.

2.1.2 應(yīng)用已訓(xùn)練的決策樹

已知一個商戶的4個特征屬性：信用卡筆數(shù)占比(count ratio)、信用卡金額占比(amount ratio)、信用卡金額(credit amount)、信用卡筆數(shù)(credit count)，采用下述方法判斷客戶是否為套現(xiàn)客戶(fraud).統(tǒng)計(jì)發(fā)現(xiàn)，所有的測試實(shí)驗(yàn)數(shù)據(jù)中，12%的客戶為套現(xiàn)客戶，準(zhǔn)確率超過80%.

2.2 改進(jìn)的KNN算法分類過程

2.2.1 模型的改進(jìn)和實(shí)現(xiàn)

對于某個樣本，改進(jìn)后的KNN算法基本步驟如下：

Step 1 對于樣本中每個屬性在不同類中的數(shù)目，計(jì)算單個屬性的信息熵.

Step 2 計(jì)算測試樣本與訓(xùn)練樣本相同屬性值的平均信息熵.測算它們之間的距離.

Step 3 設(shè)置對應(yīng)的k值，選取彼此之間距離小的前k個樣本作為近鄰樣本.

Step 4 計(jì)算這些近鄰樣本在不同類別中的個數(shù)，然后計(jì)算這些近鄰樣本在類別中的平均信息熵.最后根據(jù)距離和平均信息熵計(jì)算可信度.

Step 5 對可信度的大小進(jìn)行對比，獲取可信度較大的類別作為分類.

2.2.2 基于函數(shù)庫的算法實(shí)現(xiàn)

在此過程中，與前面決策樹分類過程相似.首先是根據(jù)商戶的代碼確定交易的總數(shù)量(上同)，然后基于本文設(shè)定的交易記錄屬性(信用卡交易筆數(shù)、信用卡交易金額、信用卡筆數(shù)占比、信用卡金額占比)進(jìn)行規(guī)范化處理(上同).因?yàn)镵NN算法可以計(jì)算連續(xù)的數(shù)值，因此不需要對數(shù)據(jù)進(jìn)行泛化(轉(zhuǎn)換為low/medium/high).

函數(shù)名稱：knn_classify

傳入?yún)?shù)：k值，信用卡筆數(shù)，信用卡金額，信用卡筆數(shù)占比，信用卡金額占比

返回結(jié)果：1,0.是否套現(xiàn).

2.2.3 函數(shù)的測試環(huán)節(jié)

本部分將對knn_classify(7,0.5,0.5,0.5,0.5)進(jìn)行測試實(shí)驗(yàn).若測試結(jié)果為0,那么判斷客戶不是套現(xiàn)客戶.

2.2.4 分析分類的結(jié)果

對已進(jìn)行預(yù)處理的交易數(shù)據(jù)進(jìn)行實(shí)驗(yàn)發(fā)現(xiàn)，確定沒有套現(xiàn)的客戶數(shù)量占總數(shù)的比例為91.20%.改進(jìn)后KNN算法和改進(jìn)后決策樹方式的分類結(jié)果相差無幾.影響實(shí)驗(yàn)結(jié)果的因素主要包括數(shù)據(jù)規(guī)模、特征選取等，訓(xùn)練集規(guī)模越大，所獲得的實(shí)驗(yàn)結(jié)果將會更好.

2.3 改進(jìn)算法評價

2.3.1 改進(jìn)的決策樹算法評價

雖然決策樹算法能夠快速的完成分類，具有快速建模、訓(xùn)練時間短等優(yōu)點(diǎn).但是單顆決策樹模型依然存在容易過擬合等問題.在ID3算法中使用了信息增益來選取特征，信息增益大作為優(yōu)先特征.在C4.5算法中，采用了信息增益比來選擇特征，以減少信息增益容易選擇特征值多特征的問題.但是無論是ID3還是C4.5算法，都是基于香農(nóng)信息理論的熵模型來定義和度量的，其中涉及大量對數(shù)運(yùn)算.

因此為了簡化模型同時不完全丟失熵模型優(yōu)點(diǎn)，CART分類算法使用基尼指數(shù)進(jìn)行樣本屬性選擇；為了提高識別效果，本文采用隨機(jī)森林模型提高反套現(xiàn)識別的準(zhǔn)確率.在本文的隨機(jī)森林模型中，將決策樹模型和CART算法相結(jié)合，以確保模型具有良好的魯棒性和泛化能力.

2.3.2 改進(jìn)的KNN算法評價

傳統(tǒng)的KNN算法通常采用歐式距離等方法測算對象間距離，當(dāng)不同對象特征重要行不同或者相似度差異較大時，進(jìn)行歐式距離測算會影響最終分類結(jié)果.

因此本文采用信息熵判定對象屬性特征重要性，信息熵越小，屬性對分類結(jié)果的重要性越大.同時基于一種模糊聚類的方式對KNN的類別進(jìn)行約化，在聚類后n個簇中采用自適應(yīng)權(quán)重的k鄰近算法，以加快分類效率.

3 信用卡套現(xiàn)行為識別實(shí)現(xiàn)

3.1 GreenPlum的設(shè)置

本文采取分布式數(shù)據(jù)庫GreePlum，并采用五臺服務(wù)器做為整體計(jì)算節(jié)點(diǎn)[12].其中，1臺服務(wù)器做為控制主機(jī)master，剩下的4臺服務(wù)器均為計(jì)算節(jié)點(diǎn)segment.控制主機(jī)master主要功能是對計(jì)算任務(wù)進(jìn)行分配和計(jì)算結(jié)果進(jìn)行收集，計(jì)算負(fù)載較低.而主要的計(jì)算負(fù)載均由剩余4臺計(jì)算節(jié)點(diǎn)承擔(dān).當(dāng)需要增加計(jì)算節(jié)點(diǎn)時，可以直接在交換機(jī)上進(jìn)行連接，然后在控制主機(jī)中添加ID即可.控制主機(jī)master與后臺交易數(shù)據(jù)庫需要進(jìn)行連接，確保正常的獲取信用卡的交易記錄.通常銀行采用的數(shù)據(jù)庫是oracle數(shù)據(jù)庫，采用的處理方式是OLTP，此方式對數(shù)據(jù)記錄的速度要求較高.而本文采用的greenPlum集群則采用OLAP方式，這種方式主要是對數(shù)據(jù)進(jìn)行詳細(xì)匯總.

3.2 數(shù)據(jù)的迀移

由于數(shù)據(jù)庫處理方式存在區(qū)別，因此從后臺的Oralce數(shù)據(jù)庫對GreenPlum進(jìn)行數(shù)據(jù)遷移十分復(fù)雜，并且缺乏相應(yīng)工具.因此設(shè)計(jì)可以對SQL文件進(jìn)行操作的程序，在設(shè)計(jì)中整個信用卡的交易信息匯總表并不能導(dǎo)入，只能借助于跟POS內(nèi)容的有關(guān)交易流水表來實(shí)現(xiàn).

其中：

Consumer_risk表示客戶風(fēng)險表；Consumer_risk_rd表示商戶風(fēng)險記錄表；

Risk_total_stat表示行業(yè)風(fēng)險匯總表；Risk_ Consumer _sett表示風(fēng)險客戶清算表；

Risk_sc表示風(fēng)險得分表；Risk_ Consumer表示風(fēng)險客戶內(nèi)容表.

3.3 信用卡交易數(shù)據(jù)的分析

本文所采用數(shù)據(jù)來自于銀行后臺系統(tǒng)，整個數(shù)據(jù)集總共包含了過去十年的交易情況，交易記錄條數(shù)達(dá)到了6億筆以上.近十年來POS的交易筆數(shù)直線上升，因此為了提高實(shí)驗(yàn)效率、降低對系統(tǒng)的運(yùn)行影響.本文收集2012年份最后一個月的客戶信息，完成數(shù)據(jù)處理后，共得到1 037條客戶的交易記錄.在這些記錄中，已經(jīng)確認(rèn)套現(xiàn)的客戶有94個，其余的均為正?？蛻?所以，本文的實(shí)驗(yàn)?zāi)繕?biāo)是將1 037客戶數(shù)據(jù)作為訓(xùn)練集訓(xùn)練決策樹，運(yùn)用訓(xùn)練好的決策樹模型分析其它未標(biāo)記數(shù)據(jù)，判斷其中客戶是否是套現(xiàn)客戶.

3.4 交易數(shù)據(jù)預(yù)處理

3.4.1 匯總POS的交易流水表

將交易流水表定義為RISK_ OPERATIN表.在該表中包含字段有：客戶代碼、信用卡的交易筆數(shù)、總體交易金額、筆數(shù)占比、金額占比.

3.4.2 標(biāo)準(zhǔn)化RISK_ OPERATIN 表

首先提取出每個屬性的最大最小值.

完成計(jì)算后，整個交易筆數(shù)中最小的數(shù)值是0，最大的數(shù)值是41 521.26；整個交易中交易金額最小的數(shù)值是0，最大的數(shù)值是136 483 009.41.整個交易中筆數(shù)占比最小的數(shù)值是0，最大的數(shù)值是1；整個交易中金額占比的最小的數(shù)值是0，最大的數(shù)值是1.

3.4.3 泛化RISK_ OPERATIN

因?yàn)楸疚牟捎玫臎Q策樹算法只能處理離散的特征值，因此需要將標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行離散化，本文按照[0,36]，[36,70]，[71,100]劃分為3個等級：low，medium，high[6].首先自定義1個函數(shù)data_generalize().整個泛化階段的部分SQL語句如下所示：Data_segment(amount_ratio) from riskstatistic

4 結(jié)語

“互聯(lián)網(wǎng)+”使得通過技術(shù)手段干預(yù)控制信用卡套現(xiàn)可能性逐漸變?yōu)楝F(xiàn)實(shí).技術(shù)人員在數(shù)據(jù)庫中設(shè)置邏輯規(guī)則，采取數(shù)據(jù)挖掘方式從核心系統(tǒng)中提取交易數(shù)據(jù)進(jìn)行甄別，羅列出疑似信用卡套現(xiàn)人員名單，在此技術(shù)上進(jìn)行人工校核；或者在交易系統(tǒng)當(dāng)中植入預(yù)警規(guī)則進(jìn)行實(shí)時監(jiān)控，使得工作人員基于交易數(shù)據(jù)進(jìn)行判斷，建立起嚴(yán)密反套現(xiàn)體系.“反套現(xiàn)模型+資金異常監(jiān)控系統(tǒng)+文本挖掘”等依托于大數(shù)據(jù)實(shí)現(xiàn)的反套現(xiàn)措施以大量數(shù)據(jù)采集工作為前提，對系統(tǒng)算法提出更高要求.本文基于大量數(shù)據(jù)卡交易信息，將數(shù)據(jù)挖掘理論應(yīng)用于信用卡反套現(xiàn)評估中，運(yùn)用數(shù)據(jù)挖掘算法中的決策樹、KNN模型實(shí)現(xiàn)對信用卡套現(xiàn)行為、套現(xiàn)客戶的辨別.經(jīng)過實(shí)驗(yàn)驗(yàn)證，模型具有良好的應(yīng)用效果，能夠優(yōu)化銀行反信用卡套現(xiàn)識別、改善銀行工作效率.