一、项目背景、目标

1.项目背景

随着《中华人民共和国反电信网络诈骗法》及中办国办下发的《关于加强打击治理电信网络违法犯罪的工作意见》等法律法规的实施以及中国人民银行要求，全国范围内对电信网络诈骗的打击治理力度不断加强。在此形势下，电信诈骗犯罪分子的手段愈发隐蔽和多变，涉案周期缩短，涉案账户与正常账户的交易特征日益相似，这对银行业提出了构建长效、持续反诈能力的紧迫需求。在此背景下，各银行机构需深化涉诈“两卡”风险防控，强化风控监测与线索挖掘能力，各银行需依托先进的风控模型，精准识别高风险“两卡”，并及时将相关线索移送公安机关，以便迅速核查与打击，从源头上遏制高风险卡涉案风险的增长。为保护客户财产资金安全，吉林农信高度重视反电信诈骗工作，于2023年1月成立了专项工作组，全面负责统筹全系统反诈反赌断链工作的总体规划、工作部署和具体实施，各县级行社法人机构则负责履行本机构在反电信网络诈骗工作中的主体责任。在持续的反诈工作中，吉林农信逐步形成了一套适应自身特点的基于机器学习技术的实时与准实时反电信诈骗模型预警与防控体系。

2.项目目标

依据《中华人民共和国反电信网络诈骗法》、中办国办《关于加强打击治理电信网络违法犯罪的工作意见》等法律文件及监管要求，通过结合吉林农信在防范电信网络诈骗领域的实践经验，深入分析新型网络诈骗的特性，结合“平台+模型+数据+运营”四个方面构建我社基于机器学习技术的实时与准实时反电信诈骗模型预警与防控体系，实现四个方面提升：

一是提升风险防范能力，平台针对电信诈骗的特点和需求进行专项设计和开发，能够更有效地识别和拦截电信诈骗行为；

二是提升智能化水平，实时及准实时模型是利用大数据、机器学习等先进技术进行构建，实现对电信诈骗行为的高效识别、分析和拦截，提高涉诈风险防范工作的智能化水平；

三是提升内外部数据治理能力，结合行内数据与外部数据构建反诈风险指标库，运用隐私计算、风险标签碰撞等方式对客户风险进行识别，实现跨机构的风险标签共享，为构建模型提供数据基础，确保快速响应新出现的电信诈骗手段，及时保护客户资金安全；

四是增强系统整合度，平台将与其他系统进行深度整合，实现信息共享和协同作战，提高我社多协同协同的防范能力。

二、项目技术建设

在深入剖析了我社当前在风险防范领域所面临的诸多挑战与不足之后，我们意识到构建一个全面、高效的风险防范体系已刻不容缓。这一体系不仅需要能够精准识别并有效应对各类潜在风险，还应确保在提升风险管理水平的同时，不损害客户的体验与满意度。因此，结合“平台+模型+数据+运营”四大核心要素，构建基于机器学习技术的实时与准实时反电信诈骗模型预警与防控体系，从风险识别到风险治理，建立我社长期持续的反诈能力，力求在保障客户资金安全的同时，实现防范风险与客户体验的完美平衡。

图1 电信诈骗风险防控体系

1.建设反电信诈骗平台

建设全行级反电信诈骗平台，实现对行内账务交易的实时监测、准实时监测与离线事后监测，平台需具备的核心功能主要为：一是具备快速响应能力，包括模型指标的管理、规则的灵活在线配置、模型的快速上线等，对反诈风险应急响应支持能力至关重要；二是具备账户风险监测与处置能力，实现对风险账户的集中统一管控，避免对账户风险的监测与处置分散在多个业务系统；三是支持反诈核查能力，能够联动总行、分行、支行、网点等不同级别的核查任务下发与处置，对疑似涉诈账户核查形成一套上下联动机制。四是多平台能力，反诈平台能够协同整合其他行内系统，如行内核心系统、柜面系统、智能网点、大数据平台、机器学习平台等，实现信息共享和协同作战，提升风险防范能力。

2.构建事前、事中、事后反诈模型体系

针对电信诈骗发生过程，通过分析存量个人涉案账户数据，需要构建反诈事前、事中、事后模型体系，对涉诈交易进行全生命周期跟踪与监测，主要模型分类主要有：

开户模型：一是在柜面开户环节进行黑灰名单规则识别，通过地址、联系电话等多维度名单进行分析判断，对可疑行为对柜员进行及时提醒，有效减少部分潜在犯罪团伙在我社开户风险；二是对新开账户建立开户评级模型，根据客户属性、账户属性等特征进行初始评级；

账户实时/准实时反诈模型：从全渠道交易角度出发，实时/准实时监控各渠道异常交易行为，拦截高风险交易，进行交易事中规则模型建设，部署后可控制手机银行、网上银行、柜面、ATM等多个渠道的交易，达到事中交易过程中快速管控风险交易的效果；

账户事后反诈规则模型：从账户角度出发，结合行业前沿动态、最新作案手法、专家经验、行内黑样本分析等提炼最新涉案账户特征和全行出入账数据分析，通过特征工程挑取效果较好指标，形成有效、高精度的账户事后预警模型、团伙作案模型等，对全行账户进行事后识别和管控。

3.内外部数据逐步丰富

反电信诈骗模型效果主要依赖样本数据质量、完整性、时效性、丰富度等，数据要素的质量对反诈工作的开展至关重要，一是行内数据方面，需要构建反诈风险指标库，通过数据清理、数据标签、数据加工、数据提取、数据分析、数据整理、数据分类、数据验证、数据存储等过程对数据进行标准化映射处理及加工衍生字段，实现全行出账、入账交易流水数据和重要渠道数据的全面接入，并从中提炼出风险特征、规则因子、模型要素等信息；二是外部数据方面，需要积极引入公安、征信持牌机构、运营商等第三方机构合规数据，运用隐私计算、风险标签碰撞等方式对客户风险进行识别，实现跨机构的风险标签共享。

4.风控运营机制

在运营管理方面，我社构建了风险识别防控体系，从账户管理的源头出发，强化新开账户的审核与准入管理，加强对存量账户的监控与风险评估，此外还通过优化服务流程、提升客户体验、完善联防机制以及加大培训与宣传力度等多维度措施，全面提升我社的风险防控能力，这些措施的实施，将不仅有助于减少电信网络诈骗等违法犯罪活动的发生，更将为我社的长远发展奠定坚实的基础。

图2  运营管理措施与策略

三、创新点

吉林农信在构建基于机器学习技术的实时与准实时反电信诈骗模型预警与防控体系过程中，高度重视机器学习技术的应用，并将其作为提升风险防控能力的关键手段。主要创新有以下几点：

1.“平台+模型+数据+运营”四位一体

吉林农信将平台建设、模型构建、数据整合和运营管理有机结合，形成了四位一体的反电信诈骗风险防控体系，实现了对电信网络诈骗风险从预警、监测到应对的全链条覆盖。

2.深度融合金融科技与业务实践

吉林农信将先进的人工智能技术，如机器学习、知识图谱等，与业务实践深度融合，构建了具有本地化特色的反电信网络诈骗风险识别与防控体系，有效提升了风险防控能力。

3.多种机器学习算法应用

吉林农信根据不同场景和需求，灵活运用多种机器学习算法，包括LightGBM、逻辑回归等，构建了事中实时模型、事后模型和分类分级评分卡模型，实现了对涉诈账户的全生命周期监控和风险控制。

4.动态调整账户分类分级

吉林农信基于涉诈风险评分卡模型，动态调整账户分类分级标准，并采用差异化措施优化账户服务，实现了风险防控与服务体验的平衡，提升了客户满意度。

5.数据驱动决策

吉林农信利用大数据平台整合行内数据、外部数据等多方数据，并通过特征工程提取有效特征，为机器学习模型训练提供高质量的数据基础，实现了数据驱动决策。

6.警银联动、省县联动

吉林农信积极与公安机关、监管机构等建立联动机制，共享涉诈账户和案件信息，形成警银联动、省县联动的账户风控机制，有效提升了反电信诈骗的协同作战能力。

通过以上创新举措，吉林农信成功构建了“平台+模型+数据+运营”四位一体的反电信诈骗风险防控体系，并深度融合了机器学习技术，实现了对涉诈账户的全生命周期监控和风险控制，有效提升了风险防控能力，为保障客户资金安全和社会稳定做出了积极贡献。

四、技术实现特点及优势

吉林农信结合“平台+模型+数据+运营”四大核心要素构建，参考行内反电信诈骗平台建设的先进经验，形成了一套适应自身特点的基于机器学习技术的实时与准实时反电信诈骗模型预警与防控体系，包含事中实时规则、对公模型、个人模型和账户分级分类评分模型。

（一）事中实时模型：快速识别与拦截风险交易

吉林农信事中实时模型基于机器学习的决策树算法构建，旨在对账户交易进行实时监测，快速识别并拦截高风险交易。该模型具备以下特点：

1.数据来源丰富：模型整合了行内核心系统、柜面系统、智能网点、大数据平台等多渠道数据，包括客户信息、账户信息、交易信息等，为模型训练提供全面数据支持。

2.特征工程精细：模型从数据中提取了多种特征，包括交易金额、交易时间、交易渠道、交易对手等，并结合专家经验进行特征工程，有效捕捉涉诈交易特征。

3.模型训练高效：决策树算法具有模型训练速度快、准确率高的特点，能够快速适应新的诈骗手法，并及时更新模型，提升模型预警能力。

4.实时预警响应：模型能够实时识别高风险交易，并立即触发预警机制，通过多种渠道向相关人员发送预警信息，及时拦截风险交易。

（二）对公和个人事后模型：深入挖掘账户风险特征

吉林农信对公和个人事后模型同样采用机器学习的LightGBM算法构建，但模型训练数据来源和特征工程有所不同，旨在深入挖掘账户风险特征，识别潜在涉诈账户。该模型具备以下特点：

1.数据来源多元：模型整合了行内数据、公安数据、征信数据等多方数据，包括客户信息、账户信息、交易信息、外部风险信息等，为模型训练提供更加全面的数据支持。

2.特征工程深入：模型从数据中提取了更多维度的特征，包括客户行为特征、账户交易特征、外部风险特征等，并结合专家经验进行特征工程，有效挖掘涉诈账户特征。

3.模型训练精细：模型采用交叉验证等方法进行模型训练，确保模型泛化能力，并能够有效识别不同类型的风险账户。

4.事后预警防控：模型能够对全行账户进行事后识别和管控，及时发现潜在涉诈账户，并采取相应的风险控制措施，有效降低涉诈风险。

（三）分类分级评分模型：精准评估账户风险等级

吉林农信基于逻辑回归算法构建了涉诈风险评分卡模型，旨在对每个账户进行风险评级，并将其作为账户分类分级的一个重要维度。该模型具备以下特点：

1.数据来源可靠：模型基于近2年来积累的丰富涉诈账户数据构建，数据质量可靠，能够有效反映账户涉诈风险特征。

2.特征工程科学：模型从数据中提取了客户基本信息、账户资料、资产信息、交易信息等多维度特征，并结合专家经验进行特征工程，有效捕捉涉诈账户特征。

3.模型训练稳定：逻辑回归算法具有模型训练稳定、可解释性强的特点，能够有效评估账户涉诈风险等级。

4.分类分级精准：模型能够对每个账户进行精准的风险评级，并根据风险评级将账户分为不同的风险等级，实现差异化管理。

通过以上三种模型的构建和应用，吉林农信构建了基于机器学习技术的事前、事中、事后反电信诈骗模型体系，实现了对涉诈账户的全生命周期监控和风险控制，有效提升了反电信诈骗的效率和效果。

五、项目过程管理

吉林农信于2023年10月启动项目，主要里程碑如下：

1.2023年11月完成基于机器学习技术的对公诈骗账户识别准实时模型的编码开发、测试和上线；

2.2024年1月成立“打击治理电信网络诈骗敏捷工作组”，在制度建设、风险排查、警银协作、系统改造、模型建设等方面开展工作；

3.2024年3月完成基于机器学习技术的个人欺诈账户识别模型的编码开发、测试和上线准备，于3月底完成上线运行；

4.2024年9月完成基于机器学习技术的个人账户分类分级模型的编码开发、测试和上线准备，将于10月底完成我社对个人账户全生命周期的精准管控。

六、运营情况

我社自项目成立起，每日常态化对公安机关下发、司法查控平合新增涉案冻结止付账户进行复盘分析，总结共性特征，发现管控漏洞，及时提出模型，持续完善事前、事中、事后风控模型。针对个人账户和对公账户分别研发规则模型，上线100余个规则与模型，其中，个人账户相关模型近50个，共预警账户近5万户，人工对预警账户排查分析近3万户，排查分析后向网点派发甄别任务；对公账户相关模型与规则近70个，共预警账户2000余户。

后续将持续根据涉案卡线索，从AUM值、交易流水、通联特点等方面持续分析复盘，找准共性异常特征基础上，不断完善和优化风控模型，提升模型有效性，实现精淮硏判和管控。

七、项目成效

自项目成立至今，我社组建打击治理电信网络诈骗敏捷工作组，打造了基于机器学习技术的实时与准实时反电信诈骗模型预警与防控体系建设，通过事中实时规则模型和事后准实时模型方式成功降低我社涉诈金额和涉诈卡数量。在涉诈金额方面，自对公诈骗账户识别准实时模型上线后，已有效识别涉诈对公账户50余个，拦截涉诈资金500万余元；个人欺诈账户识别模型及事中实时规则模型上线后，我社个人账户部分在全国排名已降至第二十名以外，涉诈卡数量也较年初月份明显减少，实现了对电信网络诈骗分子的快速识别，及时对账户进行降级处理，从而降低诈骗账户转出资金的便捷性，一定程度上减少被诈骗客户的损失。 

八、经验总结

为精准狙击电信网络诈骗“资金链”，保障国家金融安全，吉林农信创新打造了基于机器学习技术的实时与准实时反电信诈骗模型预警与防控体系建设，该体系独辟蹊径，通过建立智能反诈平台、定制化风险模型、深化数据挖掘及敏捷运营策略，实现了“平台+模型+数据+运营”四位一体防控手段的精准化和高效化。相较于其他银行，吉林农信在内部管理、技术防范、公安协作及宣传教育等方面均有突破，特别是在本地化数据应用和快速响应机制上，树立了行业新标准，显著提升了防范电信诈骗的成效，确保了客户资金安全和社会稳定。

吉林农信下一步将在事后反诈排查模型的基础上，结合当前省联社核心系统支撑能力先逐步完善准实时反诈能力，然后再结合省联社手机银行、网上银行等渠道系统回迁计划建设实时反诈能力。通过建设事中实时与准实时反诈模型体系和智能化、数字化的反电诈系统平台，建立符合电信网络诈骗活动特征的事前、事中和事后立体化防控机制，达到长期有效、持续提升、减少涉诈风险的目标。