數字化欺詐與金融科技反欺詐的應用

郝光昊

(北京大學 經濟學院，北京 100871)

一、數字化欺詐的主要特征

近年來，隨著大數據、區塊鏈、人工智能、云計算等先進數字技術的快速成熟，金融科技的發展及其對傳統金融行業的影響也愈加廣泛和深入。一方面，金融科技降低了金融市場的信息不對稱性，為健全多層次金融市場做出了重要貢獻。[1]另一方面，因金融科技而衍生的新型金融欺詐手段借勢滋生，數字化金融欺詐風險也在不斷升級。

圖1 2018年8月～2019年8月中國境內存在異常的互聯網金融網站和金融攻擊(1)所用數據來自國家互聯網安全技術專家委員會的數據披露https://www.ifcert.org.cn/disclosure/dataList.

在現階段守住不發生系統性金融風險底線的宏觀要求下，金融監管的重要性被提到前所未有的高度。[2]由于金融與互聯網的密切交融，現代金融欺詐行為也呈現出數字化的新特征，對傳統的金融反欺詐手段構成極大挑戰。[3]基于數字化技術的金融業務快速發展，傳統金融業務不斷向線上轉型，誘發的欺詐模式也不斷革新、日趨復雜，數字化金融欺詐逐漸表現出專業化、系統化、隱蔽化的特征，為金融反欺詐帶來了全新挑戰。

(一)欺詐專業化

在數字化技術發展的同時，金融欺詐手段也隨之更新升級。金融欺詐方式從傳統的盜號、盜刷等低級手段逐漸演變為現時的高度專業化行為。金融欺詐行為從成本高、損失小的撒網式欺詐向成本低、損失大的精準化欺詐轉變，并加之以數字金融、區塊鏈網絡、人工智能等新型數字概念，疊加以網絡傳銷、兼職賺錢、網購退款、金融理財、虛擬貨幣等新型復雜手段，使得數字化金融欺詐更具迷惑性，難以被識別監控。

數字化金融欺詐滲透的業務環節較多，手段多樣，具有很強的場景適應性。以P2P網絡借貸行業為例，在賬戶注冊階段，欺詐者偽造身份注冊、冒用他人身份注冊、自動化垃圾注冊等；在賬戶登錄階段，欺詐者的金融賬號出現盜用、冒用、異常共享等行為；在貸款申請階段，欺詐者提供虛假申請信息、繞過審核標準申請超額貸款；在交易支付階段，欺詐者可能惡意拖欠或利用非法信用卡進行交易。[4]

表1 數字化金融欺詐主要分類

(二)欺詐系統化

同傳統的欺詐行為相比，數字化金融欺詐通常是有組織、有規模的，構成一定的數字化金融欺詐系統。信息源、協作方、實施方相互合作，彼此交融，涉及欺詐金額巨大，涉案人員眾多，形成一條犯罪產業鏈，造成了嚴重的不良社會影響。

數字化金融欺詐產業鏈主要包括開發制作、批發零售、詐騙實施、洗錢銷贓四大環節，進而又可細分為軟件開發、硬件制作、網絡黑客、釣魚零售、域名販子、個信批發、銀行卡盜用、電話卡盜用、身份證盜用、電話詐騙、短信群發、在線推廣、現金取現、電商平臺購物、黃賭毒網站等多項具體分工。[5]

(三)欺詐隱蔽化

數字化的金融欺詐是基于數字化技術實現的，數字化技術的虛擬特性導致欺詐更為隱蔽、難以識別。隱蔽化具體表現在三個方面：一是移動化。數字化金融欺詐利用網絡環境，不受空間距離的限制，異地作案使得反欺詐更為困難。二是高頻化。由于金融科技具有普惠性，服務客戶下沉，單筆欺詐造成的損失多數都在萬元以下。但是欺詐次數和規模高速擴張，總損失金額仍然很高。三是匿跡化。數字化金融欺詐多存在盜號盜刷、冒用身份問題，有的利用區塊鏈技術等安全加密手段以隱匿行蹤，僅僅依靠傳統反欺詐手段很難取證。

二、金融科技反欺詐的主要優勢

在金融科技興起的新時代，新興數字技術作為金融行業未來發展的核心驅動力，正在與其他的新式金融生態共同促進金融行業轉型升級。

與此同時，傳統金融反欺詐體系由于對反欺詐系統架構缺乏重視、監測數字化金融攻擊的能力薄弱、全方位欺詐風險預警平臺未創設等原因，在數字化反欺詐領域存在一定劣勢。金融機構需要改變以往的風控思路，通過運用金融科技手段不斷增強主動式反欺詐能力，以便應對新挑戰。

(一)金融科技提高反欺詐效率

傳統反欺詐技術需要大量的非自動化操作，人力成本過高，效率也較低。而金融科技業務的交易快速、數據繁冗、場景多元，傳統反欺詐手段很難有效保護下沉而分散的客戶群體。為了應對挑戰，將金融科技手段應用于金融反欺詐，可以直接提高金融反欺詐的效率。

這首先得益于大數據技術的發展，尤其是數據傳感體系、網絡通信體系、傳感適配體系、智能識別體系及軟硬件資源接入系統，使得金融系統對結構化、半結構化、非結構化的海量數據的智能化識別、定位、跟蹤、接入、傳輸、信號轉換、監控、初步處理和管理成為可能，因此風控服務商能夠憑借多種信息來源以獲取用戶數據，如瀏覽記錄、通訊記錄、信息往來、歷史訂單以及社交平臺的個人資料等；同時運用新數據存儲和處理技術，主要是優化提效的分布式文件系統(DFS)、異構數據的數據融合技術、數據組織技術和大數據建模技術。監管方可以從信息中總結用戶特征，并構建模型進行客群畫像，有效辯識出具有潛在欺詐風險的高危用戶，從而實現反欺詐的目的。[6,7]

同樣，在金融機構借貸反欺詐抗風險方面，也可以通過金融科技中的大數據征信得以解決。在借貸風險監控中，貸前需要鑒別借貸者個人信息的真偽、估測其還貸能力和預期還貸時間；貸中實時監控借貸者的經濟行為以識別異常并防范風險；貸后需要將數據處理整合來補充借貸者的征信記錄。在整個風控流程中，以用戶數據的海量利用和人工智能技術的分析能力為基礎的數字化反欺詐系統居于核心地位。人工智能和云計算的發展也同樣提高了反欺詐的效率，分別體現在反欺詐過程的自動化和智能化以及成本控制上。以往需要數日的復雜繁瑣的匹配、審批流程隨著技術的進步逐漸縮短，直至目前的實時完成，這一系列新技術無疑極大地提高了業務效率。

(二)金融科技保障反欺詐質量

傳統反欺詐手段的分析角度普遍單一，通常只局限于分析用戶的某一項風險指標，而難以構建多層次的用戶畫像，進而對用戶的行為特征、償債能力、支付水平和欺詐可能性實現多維度的估測分析。

在金融科技的協助下，金融機構可以實現全方位、多維度、高精準的金融反欺詐。通過可能的時序分析以及混合式的無監督機器學習模型的使用，風控服務商可以實現提前精確預判甚至未曾出現過的欺詐方式，交易完成后也可以對信息的一致性進行檢驗，提前監測出潛在欺詐風險。另外，與社交網絡平臺不同，互聯網金融平臺的用戶通常需要經過實名認證與征信識別，過程中利用人臉識別、語音識別、指紋識別和虹膜識別等技術。與以往的人工認證相比，金融科技反欺詐在信息識別上效果顯著，大幅縮短了識別時長，且能有效降低識別錯誤率和認證失敗率。如指紋付款、掃臉付款、聲波付款等，都屬于此類技術的實際應用。在后臺反欺詐方面，金融科技也有著優勝之處。通過大數據與人工智能技術，反欺詐程序可以從后臺的交易數據中不斷識別、整合、學習用戶信息和交易邏輯，有能力實時偵測異常金融行為，例如盜卡盜號、注冊攻擊、惡意套現等，從而更好地保護個人用戶和金融機構的經濟安全。

基于以上兩大優勢，金融科技反欺詐技術得到了快速的發展，在信貸監控、身份詐騙識別、異常交易監測等領域得到廣泛應用。

三、金融科技反欺詐的技術要素

金融科技反欺詐的主要技術應用可以分為數據采集、數據分析和應對機制三個階段，行業研究方向也基本分為這三大方向。

(一)數據采集中的反欺詐

數據采集是指金融機構從金融服務客戶端和網絡公開信息中查找、搜集、整合客戶數據的技術手段，是使用金融科技反欺詐工具的基礎。在數據采集的過程中，需要嚴格遵循法律法規和監管要求，必須在獲取用戶授權的前提下，進行合法合規的數據采集。

主流數據采集的微觀數據內容包括：生物特征、地理位置、財產情況、征信記錄、其他網絡信息等。數據采集的同時，可以形成自動化實時報告，推進數據整合管理，并將整理過的數據信息提交給數據分析平臺以進行反欺詐決策。

在金融科技反欺詐系統中，兼具廣度、深度、多維度的大數據庫是最為基礎的要求之一。通過海量豐富的數據信息流，可以形成更為全面的用戶畫像，以便對潛在風險用戶的欺詐行為進行預測和防范。金融科技反欺詐的數據收集需要廣度、深度、多維度的全面覆蓋：廣度是指(數字)空間上的概念，即數據庫對用戶金融行為軌跡的全面統計；深度是指時間上的概念，即數據庫對用戶金融行為的長期歷史記錄；多維度則是指數據庫對用戶進行多個角度、多種場景、多類行為的全方位數據記錄。

金融科技反欺詐系統搜集的數據信息大致可劃分為外部數據和內部數據，綜合分析可以對欺詐行為進行預測和防范。外部數據主要是指公開的黑名單庫、失信名單庫、高危賬號庫，及需要進行針對性統計的用戶行為數據庫、地理位置庫等，對用戶的金融行為進行覆蓋式檢測。通過聯結共享不同的數據庫，例如網上交易記錄信息庫、網上社交平臺信息庫、移動設備信息庫等，可以快速整合并獲取用戶的性別、年齡、學歷、職業、資產水平、家庭狀況等基本信息，以此作為欺詐行為預測和償債能力估計的依據。在獲得用戶畫像之后，也可以結合不同用戶的數據內容分析，例如共用IP地址、通訊記錄、交易記錄等，構建包含海量用戶的大數據關系圖譜，有效防范團伙欺詐行為。內部數據則是指金融科技反欺詐系統通過服務商提供的核心算法，借助人工智能和機器學習技術從自動行為模式學習到自動異常檢測。目前最為常用的是“設備指紋”技術(2)設備指紋(Device Fingerprinting)是指可以用于標識出某智能設備的設備特征。設備指紋因子一般包含智能設備的型號和操作系統、安裝的應用程序和插件、瀏覽器設置、硬件特征、移動設備的IMEI、計算機的網卡Mac地址、系統字體和時區設置等，通過算法生產特征字符串來作為設備指紋。，設備指紋可以通過收集客戶端的多維信息為所用的智能設備生成獨立的唯一ID，相當于該設備的“身份證”，以此為基礎來收集內部數據。通過對“設備指紋”的針對性跟蹤分析，金融機構可以有效提高合規風控的自動化程度，結合核心算法，根據自身的業務場景，在系統內部反復學習用戶的行為模式，增強人工智能對潛在風險判定的準確度。

數據采集過程中也可以搭建自動化實時報告平臺，通過數據的連續傳輸與轉換實現高效采集。通過構建雙向數據流通的報告平臺，搭設起被監管部門或機構與監管部門或機構之間的信息橋梁。在實際操作過程中，報告平臺可以直接搭建在中間公司，各類型金融機構傳送數據到中間公司的基礎數據立方中，快速構建簡單而可靠的數據報告，這種實時報告的數據信息具備時效性而較少冗余信息，有能力提供實時的欺詐警報，有效識別在程序執行時檢測出的市場行為異常。在標準化的轉換規則下，基礎數據立方中收集的數據進行持續轉換，進而將有效信息傳送到自動化報告平臺的詳細報告中。自動化報告平臺不僅能節約監管成本，還能實現金融風險分擔。同時，結合大數據進行歷史分析可以提供市場評估，預判大型和復雜的欺詐風險，并持續豐富數據以提供更多建議。

(二)數據分析中的反欺詐

數據分析是指金融機構利用數據分析工具從數據信息中分析反欺詐決策的方法。金融科技反欺詐平臺通過數據分析技術搭建的反欺詐決策引擎，是金融科技反欺詐體系的大腦和核心。反欺詐決策引擎能夠高效整合用戶數據庫、專家規則和反欺詐模型等功能節點，為金融機構打造一個功能強大、操作簡易、安全可靠的人機交互界面，以降低反欺詐運營成本并提高反欺詐響應速度。

目前主流的數據分析引擎模型主要有業務規則模型和機器學習模型兩種，機器學習模型又可分為神經網絡模型和隨機森林模型。

首先，業務規則模型是指一種嵌入式的程序組件，基于已知的傳統欺詐模型，利用預定義的語義模塊，以編寫分離于程序代碼之外的業務決策。業務規則模型最大的特點是風險決策邏輯和應用邏輯基本實現了分離，而給予業務人員以配置反欺詐規則的自主權。這種模型支持復雜規則處理，涵蓋了位置規則、統計規則、名單規則、異常規則、用戶習慣規則、時間窗口規則、事件關聯規則等。[8]

對于不同的潛在欺詐場景，需要與之相對應的反欺詐規則。例如，對于申請欺詐行為，規則模型采用黑名單認定、身份證確認、設備硬件信息、IP地址、手機號碼等規則進行判定；對于交易欺詐行為，規則模型采用短期高頻交易、異常大額交易、盜號盜刷等規則進行判定。業務規則模型將一系列規則的執行結果體現為用戶的欺詐概率估值，并通過比較實際業務場景和欺詐概率閾值來進行反欺詐決策。

此外，機器學習模型也是一種反欺詐常用的分析模型。機器學習模型基于統計分析技術，可以準確和實時地進行風險評估，能夠通過對數據的整理分析訓練出合適的決策機制。模型利用先進的數學統計方法，進行深度的數據挖掘，持續修正決策模型，不斷提高對數字化金融欺詐的適應能力，有效地防范控制欺詐風險。較為常見的機器學習模型有兩種，即神經網絡模型和隨機森林模型。

神經網絡模型是模仿人類大腦神經突觸聯結而搭建的信息處理模型，借鑒了動態博弈理論，具備高度的適應性、穩定性、容錯性，有能力并行處理大量任務，且帶有學習進化能力。在金融科技反欺詐系統中，神經網絡模型是一種可靠的欺詐量化模型，借助大數據技術在海量信息中挖掘出風險特征，對用戶和交易進行風險評估，估算潛在欺詐概率。模型自主學習歷史交易數據及相關信息，刻畫出類型用戶的交易行為模式，并將實際行為與推測行為進行比較分析，其差異度越高，則交易風險越大。[9]

圖2 業務規則模型的引擎邏輯

與傳統的神經網絡模型相比，隨機森林模型的算法具有更好的精準度。隨機森林模型在數據分析中強調變量和數據的關系，在變量(列)和數據(行)中使用隨機化，構建分類決策樹并匯總結果。隨機森林模型對于多元公線性不敏感，分析結論對缺失數據和非平衡數據更為穩健，從而有效預測幾千個以上的解釋變量作用。基于集成方法的決策樹可以同時很好地處理非線性和非單調性，這在識別欺詐信號中相當普遍。隨機森林模型較之傳統模型具有更好的過擬合容錯性，由于過擬合可以通過更多的決策樹來削弱，所以海量的變量處理也不會帶來過多的過擬合。[10]

(三)應對機制中的反欺詐

完整的金融科技反欺詐系統必須能夠有效識別欺詐行為并提供相應的反制措施和手段，進而保護平臺和客戶的利益不受損失。應對機制分為兩個流程，即欺詐行為的事中干預和事后改進。反欺詐事中干預機制是指在決策引擎識別到金融欺詐行為時，通過技術手段來阻止欺詐行為的發生。針對不同的欺詐場景，可以采取對應的干預措施。第一類措施是通過金融科技反欺詐系統精準識別風險用戶，防范并攔截金融欺詐行為，輔助互聯網金融平臺過濾可疑信息量。第二類措施是對金融平臺上的交易行為進行風險估測，對可疑交易進行攔截，并發送驗證碼核實或人工核實，且在后臺登記交易攔截記錄并凍結欺詐者的賬號。第三類措施是借助數據庫和反欺詐模型審核互聯網金融平臺的用戶資料，提前阻止黑名單和高風險用戶的金融服務申請，并利用核心算法對所有用戶進行風險評估。

在欺詐事件發生之后，事后改進機制有助于構建和完善反欺詐生態系統，實現內部反饋循環。事后改進措施使反欺詐系統收集到很多來自不同欺詐場景的反饋信息，這些信息之間的關聯是至關重要的。通過不斷地接收反饋，能夠使整個反欺詐生態系統更加有效。隨著數字化金融欺詐趨于專業化、系統化、隱蔽化，欺詐者的目標通常不只是一家金融公司、一類細分行業，而是借助數字技術游走于多行業、多平臺上進行欺詐。因此，為了實現更理想的反欺詐效果，各類金融機構必須實現跨行業的聯防聯控，消除不同行業之間的信息孤島，實現數據共享。

四、金融科技反欺詐的應用場景

金融科技反欺詐產業已經在中國市場悄然扎根布局，不僅是大型數字技術公司和細分領域標桿企業作為技術提供方為金融行業創新賦能，傳統金融機構和金融部門也正在利用自身資源創立或與數字技術業界合作建立基于金融科技的反欺詐系統，提高金融科技在反欺詐領域的普及程度，使金融行業參與者分享技術紅利。金融機構和監管機構的資源信息優勢與數字化科技企業的技術基礎相契合，正在架設反欺詐價值鏈的創造模式，為金融反欺詐體系重構技術邏輯。

(一)商業銀行的場景應用

目前，商業銀行的業務中普遍存在大量數字化欺詐行為，商業銀行的反欺詐業務與金融科技反欺詐的接觸點非常廣泛。一方面，商業銀行的傳統業務受到了數字化金融欺詐的負面沖擊，如賬戶注冊、賬戶登錄、貸款申請、貸中管理、最終支付等業務辦理過程中，高頻出現了自動化垃圾注冊、賬號異常盜用或共享、非法信用卡交易等欺詐行為。另一方面，進入互聯網時代以來，商業銀行金融欺詐的數字化程度不斷增強，隨著手機銀行、網絡銀行、移動支付等技術在銀行業務中的廣泛使用，欺詐行為也不斷趨向線上化、移動化，這使得傳統反欺詐手段更加難以解決欺詐問題。

在商業銀行的儲蓄存款業務中，主要存在偽造身份注冊虛假賬戶、冒用他人身份注冊賬戶、賬戶盜用與冒用、賬戶異常共享等欺詐行為。對于賬號異常類型的欺詐風險，互聯網金融移動應用正在推廣使用面部識別、語音識別等技術進行實名認證，例如國信證券遠程開戶、微眾銀行線上開戶、建設銀行刷臉取款等。面部識別、語音識別等技術通常內嵌于智能手機硬件系統中，用戶與金融機構無需支出硬件成本，只需要付出軟件研發開支與推廣成本，進一步增強了這類產品的競爭力。

面部識別、語音識別的認證操作相對復雜，所以普遍用于頻率較低、風險較小的交易環節，如開戶等。對于日常小額支付等高頻交易環節，掃碼支付、刷卡支付等仍更為合適。此外，新興的靜脈識別、虹膜識別技術也在金融領域得到應用，南京銀行就曾利用靜脈識別技術幫助用戶實現 ATM 無卡存取款的功能。

在商業銀行的貸款業務中，金融科技反欺詐主要應用于對貸款方的信用以及償還能力的調查以及持續跟蹤，常見的應用場景主要包括：貸前審核、貸后管理與跟蹤、賬戶安全保障等。金融科技利用大數據和人工智能技術，廣泛搜集貸款方用戶數據，對其進行準確信用評級，防止授信過度和信用不良資產的產生。在貸后管理方面，金融科技反欺詐通過對貸款方數據的實時監控，對其信用惡化、財務惡化等狀況迅速做出反應，并可以對其還款計劃做出精準預測。面對逾期等不良行為，也可利用智能催收系統提高失聯客戶觸達率。

在商業銀行的支付轉賬業務中，金融科技反欺詐賦能場景主要有支付方身份識別和支付過程監控兩方面。在支付方識別方面，金融科技反欺詐主要利用生物特征(3)生物特征是每個人固有的獨特信息，不會被消除、復制、偷取，更不會被用戶遺失忘記，因此在交易支付的安全認證環節中有著獨到的優勢。比對等識別技術提升客戶端交易安全。生物特征識別較之傳統的密碼輸入、短信驗證更為準確、快速，也更適用于手機銀行移動支付。在支付監控方面，可利用數字資產幫助銀行提高支付轉賬以及跨境支付的透明度、真實性以及運行效率。比如區塊鏈信息不易篡改的特征就可以應用在資產安全管理中，以防范數字化資產被盜取的風險；可溯源的特征提高了數字化資產的透明程度；共識機制也增強了資產流轉的效率和信用。目前，在區塊鏈+數字化資產領域，各大商業銀行已經紛紛開始布局。上海證券交易所、花旗銀行、摩根大通等金融機構都在相繼利用區塊鏈技術輔助清算、結算系統，有效提高數字化資產的流轉效率。

(二)消費金融的場景應用

在金融科技的浪潮面前，消費金融領域所面臨的風險本質與傳統商業銀行的借貸款業務大體一致。包括小額貸款公司、汽車金融平臺、互聯網金融公司等在內的消費金融機構多數仍處于初創階段，現有信用數據維度不夠，無法獲取權威征信數據庫信息，導致在放貸過程中任意單家機構無法準確了解借款方的信用情況以及對應的風險情況。

通過金融科技反欺詐手段，消費金融公司可以研發或者購買技術服務，利用互聯網數據、購物數據、銀行數據、同行共享數據等信息對借款用戶進行信用審核和風控審核，也可以通過大數據技術對流入資產進行背景調查，或者將私密數據寫入區塊鏈網絡上使其更加透明化并且難以篡改。在消費金融的小額貸款流程中，通過金融科技反欺詐的技術支撐，每一項資產的實時狀況都可以受到實時跟蹤，如果消費用戶的短期貸款沒有及時償還，對應的信用信息變化情況就會立刻反映到資產證券監控報表，從而使消費金融公司對財務惡化、信用惡化的情況快速做出反應。

在公司數據庫得到了有效充分的完善之后，消費金融產品的金融科技反欺詐手段就可以從個體行為刻畫出發，通過數據積累構建高風險行為庫、標簽庫，進而根據個體經濟關系，開展行為擴散和標簽傳播，實現自動化的大數據風控效果。借助這種技術手段，金融機構可以在穩定客群的同時，有效地辯識用戶的逾期還款、負面記錄、多頭借貸、高危歷史行為等風險標簽，借此有力地防范金融欺詐行為。此外，應用人工智能技術架設智能分析平臺可以對風險形勢實施有效監測，在交易前和交易中偵測風險，在交易后、風險爆發前利用半自動化或自動化技術策略調整規避。

(三)公司合規監測的場景應用

在全球金融監管日趨嚴格的大趨勢下，金融機構的合規成本也被大幅提升，包括對合規人員的人力成本、合規技術的投入成本、符合監管要求的軟硬件升級迭代成本、監管違規的行政處罰成本等，都需要金融科技手段以輔助解決。

在有效管控金融風險的前提下，金融機構正在尋求各種方法來減緩合規成本的快速攀升。金融科技反欺詐技術的興起，同樣可以應用在公司內部的有意或無意欺詐行為監測上。利用金融科技反欺詐，金融機構可以提高合規自動化，增強合規水平，縮減審核時間，從而降低成本、提高利潤，提高內部運行效率。

憑借大數據技術，金融公司首先可以進行大規模的數據挖掘、精準化分析、形成數據可視化報告。一方面，金融科技可以加快合規流程，提高監測效率，節省時間成本；另一方面，金融科技將從可供分析的異構數據和文本數據中挖掘出更多的額外信息，其價值進而可被轉化于具體的產品運作過程。

憑借機器學習和人工智能技術，金融公司亦可減少工作人員的干預成本，削弱人為的主觀決策影響，同時直接降低合規工作的參與人次。其中，機器學習技術的積累進化功能則可以最大程度地優化內部合規流程。

憑借云存儲、云計算技術，金融公司能夠大大提高監管信息和動態的可獲得性和時效性，以便于更準確地搜尋、整合、分析相關的合規信息流，甚至可以借助應用程序接口(API)確保系統內部與外部的有效數據傳輸。

憑借系統嵌入式監管技術，金融公司可以在調整或修改合規標準的同時，顯著降低“菜單成本”，充分發揮軟件系統的迭代優勢，增強合規程序和風險監管的靈活性。

憑借區塊鏈技術，金融公司可以建立起更為安全可靠的加密數據傳輸渠道，既可以在增加內外部數據流的傳輸速率的同時提高加密數據的安全性，也可以降低系統內部的道德風險，以有效地降低合規成本。

在各項金融科技手段的幫助下，金融機構將可以建立一個先進的預測、預警、應急及模擬機制，有效地管控內部風險邊界，縮減風險影響范圍，大幅減少非必要的合規成本。

(四)政府監管機構的場景應用

金融科技時代下，金融體系的發展變化日新月異，而傳統政府金融監管體系難以匹配網絡化、分布式的金融科技體系，亟需相對應的金融監管技術。

一方面，數字化金融欺詐場景通常隨著先進技術的發展而快速變化，而現有監管體系對數字技術認識不足，存在忽視隱患和潛在風險的可能。另一方面，專業化、系統化的金融欺詐體系中多種技術、行業交叉融合，傳統監管體系下劃分的分業監管法律規范可能有所缺失，對監管邊界上的混業金融科技行為定位不明晰，在監管空白處滋生風險。為了滿足宏觀政策監管的多維度需要，通過金融科技反欺詐手段應對欺詐現象已經愈發普遍。

在監測金融創新方面，政府監管部門可利用金融科技反欺詐結合相關合作平臺的大數據資源及人工智能技術優勢，解決克服傳統監管體系存在的數據、算法、計算力不足等痛點。[11]在打擊金融黑產方面，金融科技反欺詐手段可以有效地識別、估測、預防、攔截金融黑產向數字化金融業務運營的線上轉移。在金融風管方面，金融科技反欺詐手段有能力提升金融風控系統對涉眾型線上金融欺詐事件的預警處理能力，增強金融機構的識別防范風險水平。

立足于金融科技反欺詐，傳統金融監管模式可以重視行為監管，加強功能監管，通過智能化科技手段，構建跨部門聯合發現、預警、處置機制，滿足“科學防范，早識別、早預警、早發現、早處置”的監管要求，從而更好地防范化解系統性金融風險。