墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
3.2k累计阅读
3.3k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
银行在进行各种业务中形成报警和案件的路径有两个。其一，渠道交易数据经过交易风控系统中的名单过滤、规则和模型的匹配，产生报警信息和案件信息；其二，接收客户和业务人员的举报，然后反查交易风控系统中的交易历史，经过外呼核实后形成报警信息和案件信息。对这些信息的处理，银行有严谨的报警和案件处理流程。
流程图如下：
从上图可以看到，报警和案件信息的流转审批要经过多个环节，包括报警信息核实转案、风险确认、案件处理、分行和第三方协查、赔付处理、归档存储。
由于规则树中的主分支是按照交易风控场景来配置的，交易风控系统会按照交易数据所触发的规则树所属的分支，自动对风险数据进行分类。
对举报录入所产生的报警和案件，可人工选择所属的分类。
一般按照欺诈场景分类为：洗钱、营销欺诈、伪卡、盗刷盗用（银行卡盗刷、网银账户被盗用、第三方支付账户被窃）、开户欺诈（包括二三类户开户）。还可随着欺诈特征的变化增设分类。然后按类别进行分析处理和归档。
风险和案件的核实经过多个环节，核实的则重不一样。分别有：报警信息核实、风险确认、分行协查和第三方协查。
风控的进化——从传统风控到智能风控
对于金融企业来说，风控模型和风控体系需要非常有经验的金融从业人士进行把控。比如，银行风控模型的出发点主要是衡量借款方的还款能力，一般来讲，模型包含了两部分的评判，即客观性的和主观性的。客观性的评判主要依据是可以量化的数据，如公司的年度审计财务报告、银行流水、缴税金额等，这些数据放在已设定好的模型里就能计算出分数或等级，作为参考。 但是，光靠客观数据还不够，比如说公司所在的行业是落后的将被淘汰的行...
Dask在金融风控中的实战：2300万行交易数据本地秒级处理
分布式计算框架是应对大规模结构化数据处理的基础能力，其核心原理在于延迟执行、任务图调度与内存感知分片。技术价值体现在无需重构代码即可将Pandas/Scikit-learn工作流从单机千行级扩展至亿行级，显著降低AI模型落地的数据准备门槛。典型应用场景包括银行反欺诈、实时风险评分、长周期窗口特征计算等对低延迟、高可解释性与本地迭代效率有严苛要求的金融工程任务。本文聚焦Dask在真实风控项目中的特化应用，覆盖数据加载优化、分片式探索、目标编码、时间窗口聚合及Dask-ML建模全流程，深度融合Artificia
信贷风控与一般交易支付风控的区别
信贷风控侧重长期信用评估，核心解决"借款人未来能否还款"问题，依赖征信、收入等强金融数据，决策周期较长。交易支付风控聚焦瞬时欺诈识别，解决"当前交易是否合法"问题，依据实时交易特征，需在毫秒级完成判断。前者像HR面试官综合评估资质，后者似安检系统快速筛查风险。二者在数据、技术上正逐步融合：支付数据可补充信用评估，风控技术可相互借鉴，共同构成金融安全防护体系。
03、信贷业务中的风控识别：金融风控业务流程5步走！这些是核心！
将一起深入探讨风控业务的核心要素、实际应用场景以及背后的逻辑原理。无论你是金融从业者、投资者，还是对风控领域感兴趣的朋友，相信这次分享都能为你带来全新的视角和启发。
Flink在银行风控的应用：实时交易监控系统
随着金融科技的快速发展，银行面临的欺诈风险日益复杂多变。传统的批量处理风控系统已经无法满足实时风险防控的需求。本文旨在探讨如何利用Apache Flink构建一个高效、可靠的实时交易监控系统，帮助银行在毫秒级别识别和阻止可疑交易。介绍Flink的核心特性及其在金融风控中的优势详细解析实时交易监控系统的架构设计深入讲解关键风险检测算法的实现提供完整的项目实战案例探讨实际应用中的挑战和解决方案Flink: Apache开源的分布式流处理框架，支持有状态的计算和精确一次的处理语义。
智能风控实战：金融AI体系构建全流程
智能风控的核心是解决业务问题风控类型：是信用风控（评估用户还款能力）还是欺诈风控（识别恶意欺骗行为）？业务场景：是贷款审批（事前风控）、交易监控（事中风控）还是逾期催收（事后风控）？关键指标：是降低坏账率（信用风控）、减少欺诈损失（欺诈风控）还是提高审批效率（流程优化）？示例：某支付机构的需求是“降低线上交易欺诈损失”，关键指标是“欺诈率下降30%”“误拒率不超过8%”。需求分析→数据体系→特征工程→模型开发→部署→监控迭代其中，特征工程是核心（好的特征决定模型性能），数据质量。
银行业务系统核心流程与测试实战手册
银行业务系统作为金融体系的核心支撑，承载着存款管理、贷款审批、支付结算、风险控制等关键职能。其系统架构通常分为前端交互层、业务逻辑层和数据存储层，并通过服务总线（ESB）或微服务架构实现模块间的高效通信。系统内部数据流遵循“请求-处理-响应”模型，通过API网关接收外部请求，经由核心交易引擎处理后，持久化存储至高可用数据库。例如，在一次转账操作中，系统需依次完成账户验证、余额检查、资金转移、日志记录等步骤，确保交易的原子性、一致性、隔离性和持久性（ACID）。
基于NXP i.MX RT1180的无传感器FOC电机驱动实战指南
磁场定向控制（FOC）是一种先进的电机控制技术，它通过精密的数学变换，将三相交流电机的控制解耦为独立的转矩和磁场分量，从而实现高效、平稳、低噪音的驱动。其核心原理在于利用Park/Clark变换，在旋转坐标系下对电流进行线性控制。这项技术的价值在于显著提升了永磁同步电机（PMSM）的效率与动态性能，广泛应用于机器人、无人机和工业自动化等高精度场景。本文聚焦于利用NXP i.MX RT1180跨界处理器及其MCUXpresso SDK，快速实现一套完整的无传感器FOC解决方案。通过解析硬件平台选型、软件架构，
STM32 热敏电阻测量温度
1、硬件 STM32F103C8T6、热敏电阻传感器、OLED。 2、热敏电阻传感器的介绍
STM32F103单片机驱动TM1637数码管显示模块
最近项目中需要用到数码管显示，于是买了一个TM1637芯片驱动的四位数码显示模块，现将调试过程记录一下，方便以后参考。 使用的单片机是STM32F103C8T6最小系统 使用的数码管模块是TM1637四位数码管显示模块 实际运行效果 下面先看一下TM1637和数码管连接的具体线路图 实际使用的模块没有带按键，只用了4个数码管，模块和单片机连接只需要4根线VCC、GND、CLK、DIO。芯片和单片机通信使用的是I2C总线，下面就来说一下如何...
windows中如何将已安装的nodejs高版本降级为低版本
第一步：先清空本地安装的node.js版本 1.按健win+R弹出窗口，键盘输入cmd,然后敲回车（或者鼠标直接点击电脑左面最左下角的win窗口图标弹出，输入cmd再点击回车键） 然后进入命令控制行窗口，并输入where node查看之前本地安装的node的路径 2.找到上面找到的路径，将node.exe所在的父目录里面的所有东西都删除 3.为了彻底删除之前安装的node.js，鼠标点击电脑左面最左下角的win窗口图标弹出，输入“控制面板”再点击回车键进入，进入控制面板后，找到所安装的node.js并
【浙大翁恺】C语言习题
/* 02-0. 整数四则运算(10) 本题要求编写程序，计算2个正整数的和、差、积、商并输出。 题目保证输入和输出全部整型范围内。 输入格式： 输入在一行中给出2个正整数A和B。 输出格式： 在4行中按照格式“A 运算符 B = 结果”顺序输出和、差、积、商。 输入样例： 3 2 输出样例： 3 + 2 = 5 3 - 2 = 1 3 * 2 = 6 3 / 2 =.
【图像检测】基于MATLAB的火灾监测系统设计
1 简介 针对传统火灾监测系统对于大空间的室内场合和开阔的室外环境易失效的问题,提出了一种结合火灾火焰特征和烟雾特征来进行判断的数字图像型火灾监测算法.火焰颜色特征是基于RGB颜色模型中的R,G,B三基色分量和它们之间的关系来判断是否有火焰发生,烟雾模型特征是图像灰度化预处理后,基于HIS空间模型提取的,通过计算像素点与基准像素点之间距离D的大小来判断是否有火灾发生.对提出的算法进行MATLAB仿真,并和传统的基于五种算子的边缘检测算法提取火焰烟雾特征进行对比.实验结果表明,提出的火焰特征和烟雾特征提取算
STM32 TIM3硬件XOR+复位模式实现霍尔信号精准捕获
霍尔传感器是电机控制系统中获取转子位置的关键器件，其三路数字信号需通过高精度、低延迟的边沿检测机制转换为电角度信息。其核心原理在于利用定时器输入XOR逻辑合并多路信号，并结合从模式复位（Reset Mode）实现硬件级时间间隔测量——每次跳变强制计数器清零，使CNT值直接表征换相周期。该方案规避了软件轮询的不确定性，显著提升FOC控制的实时性与鲁棒性。典型应用场景包括BLDC/FOC电机驱动、机器人关节伺服及工业变频器设计，尤其适用于STM32F4系列等具备硬件XOR与从模式控制器的MCU平台。
故障排查：OpenClaw 更新后 feishu 插件路径失效的解决方法
OpenClaw 更新后 feishu 插件路径失效的解决方法发现问题→ Gateway 启动失败，报插件路径错误定位原因→ OpenClaw 目录结构变化，→解决问题→ 更新为正确的路径验证修复→ 使用确认一切正常。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
