深度學習在農村金融行業風險管理中的應用研究

于振+丁冰冰+劉永健

摘 要：農村金融在我國金融系統中占有重要地位，渠道廣、客戶多、數據大，且由于其金融主體特殊，農村經濟及產業特殊，金融工具，組織結構等都較為復雜，客戶群體防范意識和防范水平不高，金融業務存在巨大風險。而且，在許多欺詐案件中，欺詐分子更加狡猾，欺詐手段和技術更加先進，欺詐行為呈現集團化、流水化的特征。深度學習是近些年來學術界和工業界都較為關注的一種機器學習模型，適用于大數據、復雜場景下的數據分析和挖掘，同樣在風險預警、風險管理中也有重要應用。該文結合農村金融系統中風險管理方面的實際情況，論述了深度學習在其中發揮的重要作用，同時也為同行業解決同樣問題提供了一種新的思路。

關鍵詞：深度學習 農村金融 風險管理

中圖分類號：F832.35 文獻標識碼：A 文章編號：1672-3791（2017）05（c）-0248-02

農村金融業務可分為線下業務和在線業務，線下業務是傳統交易渠道，如銀行柜面、POS、ATM等，極易發生套現、偽卡等風險。在線業務在互聯網環境中，由于交易發生在虛擬世界中，交易雙方的真實身份難以驗證，交易信息的真假難以辨別，作案手段更多變，存在巨大風險。數據顯示，2014年PC端新增病毒1.37億個，相對2013年增長33%；2014年移動端新增支付類病毒13.7萬個，是2013年的3倍，共1 562萬個移動設備被感染。研究發現，支付類的病毒在感染設備后，通過獲取用戶信息，進而控制手機、攔截短信驗證碼，以盜取在線賬戶財物或通過快捷支付通道進行盜卡套現，給持卡人和互聯網支付公司帶來較大資金損失。CNNIC 2013年9月份的調查顯示，在被調查的人員中，74.1%的人在過去半年內遭遇過不同形式的欺詐威脅，其中涉及到資金損失的人均損失金額達到509.2元，推算全網2013年上半年的半年損失額達到196.3億元，其中相當一部分是通過互聯網支付通道銷贓，互聯網支付企業承擔了較大的資金損失。因此，無論是線下業務還是線上業務，對于農村金融系統來說，都面臨著數據量大，交易模式復雜，風險識別難度較大等挑戰[1]。

1 當前現狀及深度學習概述

1.1 當前現狀

傳統的風險管理系統通過分析業務流程，重點關注業務過程中存在的安全手段，如查詢密碼、支付密碼、手機驗證等，分析這些安全手段識別出風險行為，然后深入分析風險行為的特征，例如：時間異常、地點異常、行為異常、關聯交易等，依據這些特征及其有意義的組合，制定有效的風控規則，最后通過風控規則構建風險控制模型，進行數據監控。由上所述，風控規則的制定至關重要，它決定了風險管理系統運行結果的準確性和有效性。在復雜的交易場景下，且隨著現代化支付手段的不斷更新和升級，若風控規則不能有針對性的進行優化和動態調整，風險管理系統的效率識別會受到影響，因此，能否使得通過風控規則構建出的風險控制模型具備一定的學習優化能力是衡量一個風控管理系統是否有效的重要標準。

1.2 深度學習概述

大腦表示信息的方式是通過感官信號從視網膜傳遞到前額大腦皮質再到運動神經的時間，推斷出大腦皮質，并未直接地對數據進行特征提取處理，而是使接收到的刺激信號通過一個復雜的層狀網絡模型，進而獲取觀測數據展現的規則，也就是說人腦是根據經聚集和分解過程處理后的信息來識別物體。人類感知系統明確的層次結構極大地降低了視覺系統處理的數據量，并保留了物體有用的結構信息[2-3]。

深度學習的概念源于人工神經網絡的研究，模仿人腦那樣高效準確地表示信息，對于要提取具有潛在復雜結構規則的自然圖像、視頻、語音和音樂等結構豐富數據，深度學習能夠獲取其本質特征。深度學習是機器學習領域一個新的研究方向， 它是蘊含了很多個隱含層的深度神經網絡，具備優異的特征學習的本領，能夠更本質的抽象和表達數據，通過逐層的數據初始化來優化數據模型訓練過程，進而提升模型預測分類的準確性。近年來在數據挖掘、計算機視覺、大數據處理分析等多類應用中取得突破性的進展，尤其在近兩年利用深度學習的方法來處理金融數據更是掀起了研究及應用浪潮[3]。因此，如何利用新興的機器學習技術有效地解決農村金融系統中風險管理的難題成為了該文論述的重點內容。

2 基于深度學習的風險管理系統

由前所述，目前的金融系統尤其是農村金融系統中，由于其主體、經濟、工具、組織結構、業務場景等的特殊性都較為復雜，客戶群體的防范意識和防范手段也并不充足，因此風險管理一直是農村金融系統所面臨的一個重要挑戰。

然而機器學習的興起，尤其是近些年來深度學習的興起，對于我們解決農村金融系統風險管理問題帶來了一些啟發。所謂的機器學習，即利用經驗改善自身性能，是人工智能的核心。深度學習是目前機器學習領域研究最為前言且效果最佳的幾種學習范式之一，尤其適用于海量數據，規則復雜的場景。下面該文重點論述深度學習如何在農村金融系統中應用。

2.1 數據采集

數據采集是風險管理的基礎，為使風險管理系統能夠提供便利與靈活的風險控制服務，需要采集來自業務系統的所有數據，包括用戶信息數據，以及交易相關的數據等，將采集到的數據作為重要輸入傳遞到風險管理系統。

2.2 風控引擎

我們將制定出的風險控制規則作為深度學習層級結構中的輸入，通過其多個隱含層的深度神經網絡，使其具備優異的特征學習的本領，模型的訓練是有監督的學習過程，規則的權值是通過學習不斷調整直到達到想要的效果，從而構建出風控引擎，見圖1。

訓練步驟如下：

（1）給輸入變量權值設置初值，通常為隨機的非零常數。

（2）選定訓練集，即輸入和對應的輸出變量。

（3）求出感知機對應輸入變量得到的輸出Y。

（4）根據輸出調整權值。

（5）如果某一項感知機輸出等于訓練集輸出，學習停止；如果不等于，返回繼續調整權值。

風控引擎能夠實時判斷采集到的交易數據和風控規則的匹配度，對支付流水進行實時處理，還要能夠實時處理復雜的邏輯運算，包括時間窗口移動、波動性判斷、集中度判斷、連續遞增、連續遞減等。根據預設的風險指標對采集的所有靜態、動態數據進行分析，得出各項風險指標。當交易觸發規則時，在事中模式下，系統自動執行對應的管控策略，實現事中管控。

2.3 風控系統

將風控系統建立在基于大數據處理理念和能力的技術平臺上，應具有極強的數據處理能力、精確的數據分析能力，能夠提供強大、便利的反欺詐功能體系，包括風險匹配、規則管理、案件預警、案件核查、案件分析、等內容。同時，風控系統還應具備管理功能，包括參數的設置，規則的導入導出，策略的配置，權限的管理等。

3 結語

在我國農村金融行業的發展中，風險管理起步比較晚，風險管理方法和技術也難以滿足業務快速發展。目前，農村金融行業中的風險管理側重于風險的事中控制和事后補救，往往忽視了風險的事先預警。大量經驗表明，在經營過程中，風險隱患發現得越早，其造成的損失比率就越低。因此，加強風險水平的事前監測與管理顯得尤為重要。

該文的研究從我國農村金融行業風險管理所面臨的挑戰出發，結合當前業界最前沿的機器學習技術，闡釋了深度學習在農村金融行業風險管理系統中應用的可能性，為行業內解決風險控制面臨的難題提供了一種新的解決思路。

參考文獻

[1] 潘群峰，石明虹.商業銀行風險預警系統研究[J].現代管理科學，2003（10）：25-26.

[2] 韓小虎，徐鵬，韓森森.深度學習理論綜述[J].計算機時代，2016（6）：107-110.

[3] 楊杰群.基于深度學習之股指期貨交易[D].中國科學技術大學，2015.

[4] 劉建偉，劉媛，羅雄麟.深度學習研究進展[J].計算機應用研究，2014（7）：1921-1930.

[5] 張微.我國商業銀行風險預警系統研究[D].天津財經大學，2009.