[发明专利]一种基于k-近邻算法的金融反欺诈方法

说明书

本发明提供一种基于k‑近邻算法的金融反欺诈方法，包括以下步骤：建立存储着客户常用信息的数据库A、实时获取客户的交易信息的数据库B，实时获取客户的交易信息；将交易信息进行归一化处理；计算当前数据点与数据库A中数据之间的距离；将计算所得的所有数据按照递增的顺序排列，选取与当前点距离最小的k个点；迭代统计k个点所在正常交易事件和欺诈事件的次数，计算出两种事件出现的概率；作为该金融交易行为是否属于欺诈行为的结果。本发明提供的一种基于k‑近邻算法的金融反欺诈方法，采用k‑近邻算法对客户交易信息数据进行分类，将机器学习与金融领域相结合，有效提升了金融欺诈识别率，降低了金融风险。

技术领域

本发明涉及金融反欺诈领域，更具体的，涉及一种基于k-近邻算法的金融反欺诈方法。

背景技术

随着金融行业发展，通过各种各样的渠道进行金融服务交易的情况越来越普及，同时也伴随着许多不法分子利用各平台的漏洞进行各种欺诈行为，但是由于金融产品的可选择性过于充分，但与之对应的风险防御措施没有到位，而且客户对于各种金融产品的了解不够深入，所以金融欺诈的事件频繁发生，给银行企业以及金融产品客户造成了巨大损失。因此，进行金融反欺诈的风控工作十分重要。

针对于金融反欺诈问题，最常见的风险审查工作一般情况下是由人工进行的，基于这种方法进行金融反欺诈虽然能在金融反欺诈取得很好的效果，但是人工审查具有不确定性和不稳定性，况且每天金融交易的数量十分巨大，需要耗费巨大的人力资源，无法真正的适用市场。为了克服这种困难，先前有人提出一种基于朴素贝叶斯模型的金融反欺诈方法，但这种方法需要知道先验概率，且先验概率很多时候取决于假设，因假设的模型具有不确定性，因此在某些特定的情况下会因为先验模型的原因导致预测效果不佳，对金融反欺诈的效果较差，难以投入市场使用。

发明内容

本发明为克服现有的金融反欺诈方法存在预测效果不佳，对金融反欺诈的效果较差，难以投入市场使用的技术缺陷，提供一种基于k-近邻算法的金融反欺诈方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于k-近邻算法的金融反欺诈方法，包括以下步骤：

S1：建立存储客户常用信息的数据库A，将客户近期金融信息存入数据库A中；

S2：建立数据库B存储采集到的客户交易信息，实时获取客户的交易信息；

S3：将获取的交易信息进行归一化处理；

S4：根据归一化处理后的数据，计算当前数据点与数据库A中数据之间的距离；

S5：将计算所得的所有数据按照递增的顺序排列，选取与当前点距离最小的k个点；

S6：迭代统计k个点所在正常交易事件和欺诈事件的次数，计算出两种事件出现的概率大小；

S7：比较判断返回概率大者作为当前判断的结果，即作为该金融交易行为是否属于欺诈行为的结果。

其中，在步骤S1中，所述客户近期金融信息包括最近三个月转入金额、最近三个月转出金额、最近三个月最大消费金额、最近三个月最小消费金额。

其中，在步骤S2中，通过多种数据采集方法进行数据采集服务，将数据传递至分布式消息队列，引入Storm框架进行数据的清洗、统计，将处理完的数据存储在分布式SQL数据库中，即数据库B中。

其中，所述步骤S3具体为：

S31：取出数据库B中的数据与数据库A中的数据进行逐一匹配；

S32：将匹配后的数据进行归一化处理，具体公式为：