基于集成学习的金融欺诈行为建模和监测方法研究

在我国金融业迅速发展的同时，金融欺诈现象日益严重，给金融企业造成巨大损失。本项目针对不确定环境下的金融欺诈问题，综合运用集成学习理论、粒度计算方法和人工智能技术，对金融欺诈行为建模和监测方法进行系统地研究。主要研究内容包括：1）针对金融欺诈特点，提出一个基于集成学习的监测分析研究框架；2）融合数据挖掘技术和领域知识，构建金融用户行为模型，挖掘金融欺诈用户行为特征；3）针对金融欺诈数据无标签、不平衡和多噪声等特点，构建一类智能监测方法，监测金融欺诈行为；4）开发一个金融欺诈智能监测系统，对金融用户行为实时监测和预测分析，提出金融欺诈控制措施和防范策略。希望通过本项目的研究切实解决金融欺诈行为建模和监测方法中的关键科学问题，本项目的研究意义在于：1）理论上，丰富和扩充金融风险管理理论与方法，发展金融欺诈监测技术和方法；2）应用上，项目的研究成果可直接为金融企业和管理部门提供决策支持。

在我国金融业迅速发展的同时，金融欺诈现象日益严重，给金融企业造成巨大损失。本项目针对不确定环境下的金融欺诈问题，综合运用集成学习理论、粒度计算方法和人工智能技术，对金融欺诈行为建模和监测方法进行系统地研究。首先，建立了一个基于集成学习的监测分析研究框架，提出了一类混合集成模型与方法，并构造了基于不同理论的集成策略，包括基于随机粗糙子空间的集成模型、基于模糊软集的集成策略和基于支持向量机的集成算法，丰富了集成学习理论，为金融欺诈监测模型提供了技术支撑。其次，分别对信用风险、保险欺诈和财务报表欺诈等金融欺诈行为建模和监测方法进行了深入研究。在信用风险分析中，提出了基于支持向量机的信用评分集成算法模型、基于数据分布的不平衡数据分类算法的信用评分模型、基于财务报表数据及评论挖掘的信用评分模型和基于代价敏感支持向量机集成的信用评分模型，在信用风险分析中取得了较好效果。在保险欺诈监测中，提出了基于两阶段方法的保险欺诈监测研究、基于遗传优化算法的无监督保险欺诈监测研究、基于随机粗糙子空间的保险欺诈监测研究，取得了较好的监测效果。在财务报表欺诈研究中，提出了基于集成学习的财务报表欺诈监测方法、考虑传统财务指标和财务文本的智能监测方法，取得了较好的监测效果。最后，基于上述理论和模型，开发了一个金融欺诈监测原型系统，对金融欺诈行为进行实时分析、监测和预警，为金融欺诈事件的识别加快了响应速度，提高工作效率与质量。本项目的研究成果丰富和扩充金融风险管理理论与方法，发展金融欺诈监测技术和方法，得到了金融企业的关注和重视，可以为金融企业提供有效的分析工具和决策支持。