了解图数据库系列之——解决信用卡套现问题

面对当前银行业反欺诈的难题，图算法和半监督学习算法的应用为反欺诈建模提供了新思路。图谱由大量的节点与边搭建构成，风险事件可以通过节点与边在图谱中传导，图算法与半监督学习算法的结合，可以利用少量欺诈节点标签，结合图的关系结构信息，推断其他节点实体的欺诈概率。因此，在银行套现行为侦测场景中，可以运用图数据库技术，结合相应的业务规则，建立基于套现交易行为的风险传导图模型，通过图算法分析套现图谱中的关键节点、路径，从而帮助银行有效规避套现风险，提高银行业体系化智能反欺诈风控能力，助力银行业数字化转型。

利用多部图算法解决信用卡套现问题，信用卡套现盛行导致信用卡不良率攀升，共债风险向银行传导。银行风控定价失效，产生过度授信， 造成贷款市场不合理膨胀，严重情况会引发金融波动。

信用卡发卡量大、涉及总金额巨大。根据中国人民银行统计，截至 2018 年一季度末，信用卡发卡量共计 6.12 亿张，人均持有信用卡 0.44 张 。信用卡授信总额为 13 万亿元，平均每张卡授信额度 2.15万元。随着信用卡产业迅速发展，信用卡套现这一违法行为也层出不穷，手段多样、隐蔽，呈现团体化、产业化发展趋势。

多部图又称作多分图，是图论中的一种特殊模型。多部图模型是建立在多部图的基础上，探求其节点间特定行为关联关系的模型。在业界，多部图技术在反洗钱反欺诈风控领域已取得不俗效果。现结合套现行为模式和多部图原理构建多部图模型，构建流程如图所示：

例如下图所示的套现团伙侦测，当犯罪团伙通过多张信用卡交叉转账的方式避开了现有监测体系时，通过上述多部图模型得到的套现嫌疑子图可以侦测出这种套现模式。

采用图异常侦测技术对由银行资金流水所构建的特定网络进行挖掘，找到信用卡和商户所构成的疑似套现团伙。

在图异常检测技术中，密集子图属于定量检测方法，主要针对属性图，基于结构的方法，通过建立基于联通和属性的测度函数侦测偏离正常模式的子图结构。

首先构建以信用卡端、商户端及回流账户端为三个顶点集的无向图模型，再围绕业务经验，通过确立侦测特征，主要包括以下两种特征。第一，套现行为产生了高额的信用卡资金流动的密集子图。第二，POS 机商户的结算账户作为信用卡和个人账户之间的桥梁，信用卡交易资金量与转出资金量差异不大。根据以上两种特征定义度量交易流水异常的目标函数，目标函数如下：

再运用改进的贪心算法，求解最优化该目标函数，从多部图中寻找欺诈子图。对于算法得到的嫌疑子图，可以通过分析内部关联性、外部关联性和商户的可疑性三方面，最终评估其风险程度。

从信用卡账户通过 pos 机结算商户，经过中转到银行个人账户构成大额资金流动链。

设计一个衡量套现疑似行为的密度函数，用于找出资金流向图上使密度函数最大化的子图。

针对 61 家嫌疑商户和 81 组嫌疑案例，结合外部关联性、内部关联性及商户可疑度，并通过规则（比如，名字或地址匹配）进行评估。

信用卡套现客户与资金流出账户之间具有较强的关联性。比如，资金流出账户可能是套现客户的同名行外账户。

团伙信用卡套现团伙内部有较强的关联性，通过银行现有的数据可以发现这些人员是家人或者同事关系。

商户套现指标，这里主要使用借贷比。信用卡套现商户的日常交易中，贷记卡占比相对高。甚至全部是贷记卡交易。

不同组合的风险评级如下表。