问题描述
一.是基于高风险交易特点和持卡人行为特征，建立风险评估模型。
二.是根据风险等级实施差异化风险防控。对于风险较大，可疑程度较高的磁条交易采取精准识别、实时拦截等措施。
三.是通过交易行为分析、机器学习等不断优化风险评估模型，提高欺诈交易拦截成功率，切实提升银行卡交易安全防护能力。
解决思路
图1 工作框图
1.根据相关研究构建交易风险的评估指标。
参考指标：ATM累计交易笔数、ATM累计交易金额、POS交易笔数、POS交易金额、卡累计交易笔数、卡累计交易金额、网银累计交易笔数、网银累计交易金额、客户代发总额、客户代发次数、清收金额、逾期金额、年月均借方发生额、年月均贷方发生额等
2.采用灰色关联分析选择最优评估指标，并确定每一个指标的权值。
3.去除一些不太重要的评估指标，减少建模的时间复杂度。
4.采用神经网络算法对交易风险评估样本进行学习，构建交易风险的评估模型。
5.采用具体数据模型的有效性和优越性进行分析。
图2 交易风险评估的多分类器
附：相关概念解释
灰色关联分析:对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因此，灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。
神经网络算法：逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理。