顶象：如何防范信用卡套现、非法提额、薅羊毛

本篇文章2448字，读完约6分钟

最近，央行发布的《2018年第一季度支付系统运行概况》显示，截至第一季度末，全国金融机构仅发放了6.12亿张信用卡和贷款卡。信用卡在鼓励消费和扩大内需方面没有发挥出全部作用。为了抢占这个巨大的市场，各银行都在努力积极抢占线上线下生活和支付场景，努力做好移动支付，融入共享经济，在衣食住行各方面都不遗余力，积极与互联网巨头合作。例如，银联推出云闪支付，加快公交和地铁、餐饮市场、餐饮、超市便利、公共支付等场景布局，开始全面布局便捷移动支付服务。各行各业都要加大对自己移动终端的推广力度，包括工行电子生活、投资掌上生活、交行买单。

信用卡的三大新风险:交易套现、非法取款和营销薅羊毛

在快速发展的同时，信用卡也暴露出新的问题。根据“2018年第一季度支付系统整体运行”的数据，信用卡逾期半年的总金额达到711.48亿元，而2010年这一数字仅为76.89亿元。换句话说，过期的信用卡在八年内增加了八倍。

6月1日，交通银行信用卡中心总经理王卫东在一个金融论坛上表示，信用卡未偿余额增长过快，市场风险加大。

“现在我经常检查销售团队(信用卡销售员)的办公包，看里面是否有pos机。”可以说，为什么我的信用卡发行单位要检查pos机？售货员说pos机很方便，号称‘万户侯’，但这是极其有害的。

王卫东先生说，原来一台pos机对应一个商户，现在一台pos机由10个行业组成，每个行业可以选择1000多个商户，可以轻松模拟20次甚至100次的虚假交易场景。此外，这些商家的信息定期更新，交易渠道是独立选择的。这已经形成了一个完整的产业链:上游提供收购机构(提供交易程序和渠道)和终端制造商(提供硬件)，中游提供外包服务提供商(填写关键程序和促进销售)，下游提供现金提取(专业羊毛交易方和洗钱者)。他进一步表示，交通银行信用卡在今年上半年内部发起了“终极报复”，驱逐直接发现直销商有pos机。

王卫东在现场总结了当前信用卡市场存在的三大风险，并表示如果不加以防范，这些问题将直接带来金融风险。

1.涂改交易兑现和非法挪用。通过pos机套现产业链使得商户和交易信息完全扭曲，传统的监管措施无法监控，银行传统的风险控制措施失效，使得犯罪分子很容易套现。套现的资金以低成本转移到现金贷款，甚至流入房地产和金融投资。

去年以来，监管部门特别关注现金贷款的资金走向，多次检查各机构现金贷款的规模趋势，但仍产生了大量的现金交易。数据显示，2017年，一家大型银行的年套现金额达到1000亿元，而去年的非法套现金额超过1万亿元，接近全行业特许机构的现金贷款规模。与传统的分期付款业务和消费信贷相比，现金贷款的风险是完全不同的，所以去年居民杠杆率的快速增长也与此有关。因此，信用卡套现风险与监管者防止居民杠杆率过度增长的愿景背道而驰，这很容易导致系统性金融风险。

2.非法授信和过度授信。发行人通常根据客户的消费习惯设定信用额度，但如果交易情况被扭曲，额度控制将完全无效。例如，最近一家全国性商业银行的交易信息失控，导致一些不符合标准的用户在短时间内增加了6-10倍。通过改变交易场景、粉饰消费行为、将坏人伪装成优质客户，银行的客户配额策略受到干扰，产生了过度信贷。过度的信贷发放将增加居民的杠杆，并导致风险急剧增加。

3.薅羊毛影响了机构的正常运作。目前，银行卡和支付机构经常在指定行业开展营销活动，以促进消费和回馈客户。然而，在可以改变交易的pos终端的帮助下，“羊毛党”可以很容易地改变其活动规则和定制交易场景，并恶意地获取营销奖励。近年来，几乎所有由支付机构和银行开展的信用卡营销活动都受到了“羊毛党”的伤害，每年的损失估计达数亿。此外，“毛党”的一些非法组织恶意煽动群众维权，引发了社会问题。

王卫东表示，这些问题是由不真实的交易信息和扭曲的商户信息造成的，导致了银行风险控制模式的失败。从行业发展的角度出发，他对收购机构和终端制造商提出了加强监管和行业自律的若干要求，如加强监管和检查，充分发挥行业、学术界和研究的力量以及智库的决策效用，制定行业自律公约等。

三种风险防范技术:实时决策系统、机器学习模型和大数据风险画像

Top image technology一直在帮助银行采用大数据风险控制手段，提高对变相提现、非法提现和薅羊毛的欺诈识别能力，并通过专为银行客户打造的支付和收款单反欺诈解决方案，有效控制潜在风险。

Top image的实时风险策略系统、机器学习模型决策平台和风险深度图等技术可以很好地防范上述信用卡欺诈风险。top image technology首席科学家石亮表示:“这些技术都是基于top image和black产品多年的实战经验，在交易欺诈识别方面有较强的实战效果，而人工智能支持下的关联图分析实现的深度刻画是一个利器。”

Top image深度肖像技术基于支付和获取终端实体的有效组织，包括用户维度的银行卡、商户维度的pos设备以及围绕交易过程的所有维度元素和各种派生变量，以构建不同维度的行为序列和关系网络的更抽象表示，并在保留数据本身信息的基础上挖掘复杂关系的数据，并通过深度网络等算法进行学习和训练。最终输出可以区分终端实体和行为，如分类和聚类、异常检测等。，并将其与基于历史经验设置的反欺诈规则策略综合使用，以实现对套现、非法取款和薅羊毛的更强识别。

例如，对于经常进行伪装提款或伪造交易的银行卡或商户设备，即使混合了一定数量的正常交易订单，它们的行为仍然与正常交易的银行卡和商户设备具有一定的行为和关系网络差异。虽然这种差异很难用一般的行为解释来衡量，但是通过深度肖像技术来区分组和分类异常是可能的，这就像在以前的反欺诈实践中已经发现的传统规则和机器学习方法一样。

风险关联图是通过与顶级形象和合作伙伴多年积累的跨行业多维黑色产品数据的关联线索来识别可疑的恶意行为，其基础机制也是判断现金兑现、交易伪造(即升卡)和薅羊毛等行为的某些维度数据之间是否存在群体聚集或潜在关联。

来源：央视线