互联网金融领域反欺诈技术已发展到哪一步？

图计算技术直指团伙性欺诈

在当前反欺诈业务中，团伙性欺诈识别仍属难点。为此，金融机构引入图计算技术，能够极大提高团伙性欺诈识别效率和处置时间节点

值得注意的是，不少业内人士表示，不管是欺诈还是洗钱等多种恶意行为，已经越来越倾向于群体性产业链的一系列相关事件行为。据网贷之家研究员苏筱芮介绍，近期暴雷的网络借贷平台背后，多多少少都离不开“羊毛党”的身影——团体行动从某个平台上获取佣金或返利等行为，在一定程度上也导致平台出现流动性风险。

“对于行业来说，在当前反欺诈业务中，对于团伙性欺诈的识别仍是一个难题，特别是在车贷业务中，团伙性欺诈会造成非常大的经济损失。”美利金融有关负责人表示，目前，互联网金融行业主要是通过人工线下调查的方式去发现欺诈团伙，效率低且发现时间晚。如果能借助一些大数据技术进行风险防控，就能够自动发现一些疑似欺诈团伙并进行提示。如果再结合反欺诈团队的人工排查，就能极大提高效率和处置时间节点。

实际上，这就是图计算技术。京东金融集团副总裁、技术研发部总经理曹鹏坦言：“我们需要更多的把一个用户及其行为，以及和他行为相关人的一系列行为，全部拿出来，并在这个维度上去做风控才能更准确。”据他介绍，在这一过程中，京东金融会运用图计算技术，通过超过10亿个用户节点的图，以及所有在这些节点上发生的相关行为连接，最终可以把一系列的用户和行为都描述出来。

“所谓物以类聚、人以群分。单个人的节点即便看起来再好、收入再多，如果他周围相关联系人都是做欺诈、套现或者其他相关灰色产业的人，这个人存有恶意的机率就非常大。”曹鹏说，反之，如果我可能没有这个人的具体描述，但与其相关的周围区域ID都是很良性的、信用良好的或者收入很高的人，这个人也相应信用良好的概率就比较大。

与之类似，美利金融风控审批系统以客户、合同、设备、工作单位等作为图谱节点，以实体之间的关系(如紧急联系人、担保人等)作为图谱边缘，基于“坏人具有高黑度值，而好人具有低黑度值”的假设，根据社交网络传播理论实现染黑度模型算法，评估客户的潜在欺诈风险。

基础数据建设仍有待完善

目前，对于反欺诈技术来说，仍然存在一些难点有待突破。专家认为，开发完备国内基础数据服务，提升数据质量，处理好用户体验是实现突破的关键

“在当今大数据时代，面对每个用户都能抽象出上亿个维度的时候，我们有足够能力可以通过这些维度测出这个人的还款能力、还款意愿以及欺诈性。从经营整体效率上来讲，这会大大提高普惠金融的程度。”北京互联网金融协会副会长、INK银客集团创始人、总裁林恩民表示。