“无科技，不金融”。随着移动互联网时代的来临，科技金融模式不断创新，但是欺诈手法也在大大装修，呈现专业化、产业化、隐密简化等特点。日前，世界科技开发者盛会DeveloperWeek2019票选VR、人工智能、金融科技等领域优胜者，AI公司DataVisor维择科技凭借无监督机器学习技术取得最不具投资价值的科技金融企业奖。

无监督机器学习技术是什么，为何不会被指出最不具投资价值？它能在科技金融活动中起着什么起到？能解决问题哪些金融交易中的问题？科技金融反欺诈创意利器与传统金融有所不同，互联网金融业务大多再次发生在线上，往往几秒钟就已完成审查、申请人、借贷等，面对的欺诈风险也是前所未有的。多达，我国网络犯罪造成的损失占到GDP0．63％，一年损失金额高达4000多亿人民币。国际上的情况也不悲观，多份市场研究报告认为，仅有2016年一年，全球信用卡、借记卡、预付卡和私有品牌支付卡损失就低约163．1亿美元；每年保险欺诈（不还包括健康险）损失总额预计多达400亿美元。

“随着技术大大演变，针对金融业的反击、欺诈手段已有所不同以往。团伙作案、分工具体、掌控各种先进设备技术工具、大大变化反击手段，全新挑战使得金融企业更加无法招架。”DataVisor中国区总经理吴中说道，金融反欺诈期望创意已是业内共识。

“无监督机器学习是近年才发展一起的反欺诈手法。目前国内反欺诈金融服务主要是应用于黑白名单、有监督自学和无监督机器学习的方法来构建。”爱人信诺联合报有限公司总经理金端峰在拒绝接受科技日报记者采访时说。黑白名单被指出是最完整的反欺诈方式，类似于“检验器”。

如银行联合报系统就可解读成一个黑白名单，信用卡多次逾期偿还就有可能被列为信贷“黑名单”；在淘宝上出售了退款险后屡次退款，就有可能上骗保“黑名单”。黑白名单是所有反欺诈方法中最简单的，但也是改版最快、成本最低的。能将出现异常用户一网打尽有监督自学必须大量有标签数据来训练模型，以此来预测还并未被标示的数据。

以垃圾邮件为事例，假如把5000封已由人工证实过的垃圾邮件输出到模型，模型通过对标题的辨识、邮件内容句子的拆分、关键词的辨识等各种分析方法，寻找其中的内在关系。如标题中有“福利”二字的，有90％的可能性是垃圾邮件；重复使用发送到多达200封的，有60％的可能性是垃圾邮件；回复率高于10％的，有70％的可能性是垃圾邮件……于是，当模型处置一封新邮件时，通过检测以上各子项，并对每一子项除以百分比后相乘，就能得出结论垃圾邮件的可能性。

但有监督自学的弊端是，每个模型都必须大量训练数据以及较长的训练时间。“有可能你的模型还没训练好，欺诈分子早已已完成欺诈活动并找寻下个目标了。

”吴中说道。无监督机器学习主要方式有聚类和图形分析。金端峰说道，无监督需要任何训练数据和标签，通过聚类等机器学习算法模型找到用户的共性行为，以及用户和用户的关系来检测欺诈。

“通过无监督机器学习分析用户的共性行为，可以找到伪装成过的出现异常用户，将其一网打尽。”何为聚类方式？例如一群用户注册事件，可通过聚类找到几个小群合乎某些共性：登记时间集中于，都用于了某种操作系统，某一个浏览器版本等。

该用户群中的任何一个分开拿出来分析，看起来都十分长时间，如果合乎某种超乎寻常的一致性就十分怀疑了。比如一群人在凌晨2—3点使用同一款浏览器登记了同一产品，其IP的前20位完全相同，GPS定位大于1公里，登记后都改动了昵称和性别等。现在的金融欺诈都是团伙登陆作战，面临“化整为零，批量拷贝”的欺诈手法，金端峰说道，无监督算法应用于反欺诈检测还有一个优势，那就是能提早预警。

“现在的欺诈分子都有潜伏期，以免过于更容易被找到。由于他们在潜伏期的不道德仍然合乎某种规律，具备某些一致性，某种程度还是不会被无监督算法捕捉到。在反击再次发生前就检测出有欺诈分子，这一点传统方法是无法做的，防患于未然这也是无监督机器学习之所以在鼓吹欺诈检测中大放光彩的最重要原因之一。

”防患于未然及时预警在科技金融活动中，无监督机器学习能有效地避免欺诈不道德的再次发生并及时对用户收到预警，制止开户欺诈、欺诈交易、账号窃取，找到洗黑钱反击等，确保长时间的金融活动。金端峰举例说道，猛犸反欺诈公司基于非监督式的出现异常检测，将数据分解成为长时间趋势、随机扰动和异常情况三部分，并在此基础上做设备、网络和用户三个层面上的“千人千面”；并根据用户间的互相关联结构网络图，欺诈者往往团体作案，行为表现在网络图中呈现出高度一致性和聚集性，与长时间用户显著有所不同，因此利用聚类和图形分析分辨欺诈不道德。“蚂蚁金服、京东金融等一些高科技互联网公司也通过无监督机器学习等技术手段，在金融科技方面获得了较好成绩。”除了有效地避免欺诈不道德的再次发生，无监督机器学习在科技金融领域还能有多种起到。

比如通过用户画像和大数据模型精准寻找用户，构建精准营销；根据个人投资者获取的风险忍受水平、收益目标以及风格偏爱等拒绝，运用一系列智能算法及投资人组优化等理论模型，为用户获取最后的投资参照，并依据市场动态对资产配备调整获取建议；投资研究必须搜集大量资料，展开数据分析，报告编写等，通过机器自律捕捉涉及信息，可以辅助决策，甚至自动分解投研报告；利用大数据人工智能技术，可用于海量的多维度数据，塑造出高度精细化的风险掌控模型；通过自学、累积金融法规，并融合金融机构的实际情况获取合规建议；机器还可以从海量的交易数据中自学科学知识和规则，发现异常不道德，对洗黑钱不道德展开警告等。应用于普遍可展开投资预测无监督机器学习技术的应用于正在不断深入和拓展。

爱人信诺是上市企业航天信息股份有限公司的全资子公司，在大数据采集、分析和应用于方面具备引人注目能力，竣工了以税务和企业经营数据为核心的企业信用数据库。金端峰说道，只不过，许多大公司都有大型数据库，储存用户数据信息，通过无监督机器学习分析用户的整体数据，就能找到用户金融消费习惯的变化、投资偏爱等，自动找到市场分类并针对有所不同群体用户发售有所不同的金融产品。“这样，有针对性的开发新市场，增加了盲目投放。”此外，根据客户国籍、职业、薪酬、经验、行业、信用记录等信息，利用无监督机器学习技术来确认客户的信用风险评分，甚至是在向客户获取任何服务之前就展开此类审定，减缓借贷过程，还能避免耗时而适当的“尽调”过程。

“随着机器学习的用于，股票预测显得非常非常简单。”金端峰说道，机器学习算法不会利用上市企业的资产负债表、损益表等历史数据，展开分析，并找到关系到公司未来发展的有意义的迹象，展开投资预测。

本文来源：乐竞·体育-www.gzbiaobao.com