国际清算银行-大海捞针：一种用于支付系统异常检测的机器学习框架（英）-2024.5-33页_2mb

机器学习框架用于支付系统异常检测总结

1 核心方法

本文提出了一种用于高频支付系统（HVPS）实时交易监控的机器学习框架。主要特点：

• 采用分层方法首次将预测式模型（监督学习）与检测式模型（无监督学习）结合
• 使用 LightGBM算法 实现高效率、高精度的特征分类
• 引入 SHAP工具 解释模型预测结果

2 关键优势

1. 创新性架构

   • 第一层「预测式模型」通过监督学习分理正常/异常交易
   • 第二层「检测式模型」专注于异常交易识别，避免误报
   • 实验证明该方法将检测准确率提升至92.2%

2. 计算效率优势

   • 柔性框架可扩展至不同支付系统
   • 相较于传统切入模式，该方法重训练时间缩短75%
   • 中等规模数据集上处理速度7-44%提升

3. 特征解释工具

   • 利用SHAP技术实现模型可解释性
   • 将复杂预测转化为可视化特征贡献
   • 帮助运营方实时理解交易异常成因

3 实验验证

1. 分类模型效果

   • LightGBM分类准确率达97.6%（对比传统逻辑回归67.8%）
   • 检测人工异常支付的精确度92%
   • 通过SHAP分析确认关键影响因素：时间间隔特征最为重要

2. 跨场景应用

   • 在LVTS-T1系统测试样本上表现最佳
   • LVTS-T2和Lynx系统的实验显示：
     • 支付模式识别准确率>96%
     • 异常交易检测精确度>86%
     • 特征选择需要根据系统特性进行调整

4 应用前景与挑战

潜在应用价值：

• 金融风险管理系统
• 实时欺诈交易检测
• 银行间支付安全保障
• 反洗钱监控

主要挑战：

• 随着支付参与者数量增加，特征维度迅速膨胀
• 需要平衡计算效率与检测精确度
• 模型本地部署面临算力要求门槛

该框架通过机器学习解决了支付系统监控中“大海捞针”的难题，为金融基础设施安全提供了创新性解决方案。