了解图数据库系列之——异常交易识别

 RegTech 未来 

通过对某行四个地区的某年度共计7495.78万的数据进行分析挖掘，各地区交易流水数据量及占比如下图所示，可以看出交易流水数据量已达到千万级别，因此传统的数据分析及挖掘方法已难以解决，需要利用计算机大数据分析方法，基于海量数据的挖掘算法对数据进行进一步清洗、建模与挖掘分析。

第二步为对海量数据的清洗，清洗原则包括将资金流入、资金流出、交易时间、交易对手、交易金额、交易频率、交易分类等十几个维度纳入考量，整理出三十五项清洗规则，从海量的资金交易流水中筛选出异常的交易，通过多维度的考量数据相关性、交易对手特征、交易时间范围、交易金额特征等，捕捉其中高风险的交易。最后，从高风险的异常交易流水中清洗出可疑的交易流水。

数据量变化范围如下图所示，可以通过趋势线看出，经过复杂数据关联后，数据量由原始流水最初的7495.78万迅速增长了5倍，达到了3.75亿的数据量，通过清洗模型的清洗，异常交易的数据被筛选出来，最终获得的可疑流水约0.53万。流水的清洗工作是通过SAS工具完成的，得到了字段含义清晰、完整且规则的数据，为下一步构建可疑交易网络模型做准备。

根据清洗模型的清洗结果，依据社交网络中的流-组算法（Stream-Group）进行建模和分析，并通过可视化的工具进行展示，以便更加直观的展示给风险管理人员，为其判断客户的风险提供数据上的支撑与依据。

根据每一个账户之间的转账关系进行聚类，为了更加直观的对数据进行展示，再根据已经处理好的数据中的每一个节点的入度和出度，以及边的权值，对节点与边进行处理。

通过Fruchter Atlas算法对可疑数据进行重新布局，获得了可直观展示资金流向的布局图，如下图：

另外，通过可疑交易数据可以获得可疑客户的地址范围信息，下图中，左半部分为A地区的可疑流水热图，右半部分为C地区的可疑流水热图：

可疑交易分为两种情况，其一为一对多的归集行为，其二为多对一的归集行为。

如下图所示，为多对一归集资金的一个案例。以姚某为主等11人，在贷款每月还款日前均得到了姚某的转账用来归还其贷款本息，而且资金量较为庞大，该可疑归集圈共计归集资金约为1513万，若该可疑交易圈的资金归集确认为欺诈或者贷款挪用行为，其资金链一旦断裂，其可能在商业银行产生逾期或者造成不良记录，以至于造成损失。

多对一（如下图所示）进行资金归集的特征相对较好确认，因为其归集方式较为直接，通过交易直接进行归集，其特点是客户在获得贷款后，对放款金额进行转移，且转移的方式简单直接，可以通过数据直接建模获得。

由此，我们可以通过构建自动化模型的方式，以关联交易为线索，自动化的捕捉海量的数据中的线索资源，识别可疑的异常交易，大大降低手工工作量，解放人力、降低成本，而且模型的准确性也大大高于手工筛选，工作效率远高于人工处理。通过将经验模型化落地，也将大大的降低操作风险。

通过对海量交易数据的整理与分析，结合社交网络、知识图谱等前沿理论，可构建一个具有实际应用价值的欺诈网络分析模型，以捕捉在银行信贷中的异常交易行为，和识别欺诈性的资金归集的群体。对目前一般银行已具备的数据基础来说，具有一定的应用价值。