Методы и структура системы предотвращения мошенничества при потребительском кредитовании (часть 1)
Козлов Д.Н., Левин В.В.

Аннотация

Мошенничество, это явление глобального масштаба, изобретает все новые и новые способы «легального» извлечения денег из банков. В ответ на подобный креатив банки вынуждены ставить интеллектуальные заслоны в виде систем противодействия мошенничеству, опирающиеся на комплексные решения, значительную роль в которых играют математические методы и модели.

Содержание

Введение;

Объекты, предмет, субъекты и схемы мошенничества;

Методы выявления мошенничества и противодействия ему;

Таксономия методов противодействия мошенничеству;

Математические методы, используемые в задачах Data Mining Алгоритм вычисления меры близости сравниваемых объектов;

Логико-вероятностная модель мошенничества;

Выводы;

Глоссарий;

Ключевые слова: Fraud Prevention System, Data Mining, методы кластеризации и классификации, продукционные системы, выявление аномальных объектов, риски мошенничества
Журнал: «Управление финансовыми рисками» — №1, 2013 (© Издательский дом Гребенников)
Объем в страницах: 15.
Кол-во знаков: около 27,921.

1. Моисеев С. Бум потребительского кредитования в России сохранится в ближайшие два года. — Подробнее .

2. Емельянов В. Бум кредитования грозит России кризисом «плохих долгов». — Подробнее .

3. Бродская Е. Идеология кредитного конвейера вызывает много споров. Однако ведущие розничные банки довольны конвейерной технологией принятия кредитных решений. — Подробнее .

4. Висящев А. Банковский ритейл посткризисного периода. — Подробнее .

5. Алгайкина И. Сбербанк России начал бороться с мошенниками. — Подробнее .

6. Бухтин М.А. Риск-менеджмент в кредитной организации: методология, практика, регламентирование. Методическое пособие. — М.: Регламент, 2008. — 448с.

7. Семенов М. Возможности психологических средств оценки добросовестности кредитоспособности заемщика в розничной торговле. — Подробнее .

8. Мошенников научились распознавать по голосу. — Подробнее .

9. Технология анализа голоса. — Подробнее .

10. Elkins Aaron C., Burgoon J., Nunamaker J. Vocal Analysis Software for Security Screening: Validity and Deception Detection Potential. — Подробнее .

11. Скворчевский Ю. Возможности построения систем идентификации в системах доступа на критически важные объекты. — Подробнее .

12. Долгов С.В. Разработка методов распознавания и построение информационно-поисковых систем идентификации человека по его фотопортрету. — Подробнее .

13. Брилюк Д.В., Старовойтов В.В. Распознавание человека по изображению лица нейросетевыми методами. — Подробнее .

14. Самаль Д.И. Алгоритмы идентификации человека по фотопортрету на основе геометрических преобразований. — Подробнее .

15. Конушин А. Microsoft Research. Анализ и распознавание лиц. — Подробнее .

16. Ahonen T., Hadid A., Pietikäinen M. (2006). «Face description with local binary patterns: application to face recognition». IEEE PAMI, Vol. 28, No. 12, pp. 2037–2041.

17. Kumar N., Berg A.C., Belhumeur P.N., and Nayar S.K. (2009). Attribute and Simile Classifiers for Face Verification. — Подробнее .

18. Bradley D., Boubekeur T., Heidrich W. (2008). Accurate Multi-View Reconstruction Using Robust Binocular Stereo and Surface Meshing. — Подробнее .

19. Десятчиков А.А. и др. Комплекс алгоритмов для устойчивого распознавания человека. — Подробнее .

20. Лагуткин О.И. Система предотвращения мошенничества при рассмотрении кредитных заявок // Банковский ритейл. —

2010. — №3.

21. Седых Ю.Н. Мошенничество в кредитно-банковской сфере // Молодой ученый. — 2012. — №3. — С. 190–192.

22. Завгородний М.А. Методы и модели противодействия мошенничеству на рынке финансовых услуг: Дисс. на соискание ученой степени кандидата экономических наук. — Подробнее .

23. Data Mining — интеллектуальный анализ данных. — Подробнее .

24. Постарнак Д.В. Критический анализ моделей нейронных сетей // Вестник Тюменского государственного университета. — 2012. — №4. — С. 162–167.

25. Wheeler R., Aitken S. Multiple Algorithms for Fraud Detection. — Подробнее .

26. Бухтин М.А. Методология управления операционными рисками // Оперативное управление и стратегический менеджмент в коммерческом банке. — 2003. — №3, 4.

27. Бухтин М.А. Системы оценки и управления банковскими рисками // Расчеты и операционная работа в коммерческом банке. — 1999. — №2. — С. 36–49.

28. Products & Services. Fraud Predictive Models. — Подробнее .

29. Катилова Н.В. Особенности национальной практики выявления мошенничества // Управление финансовыми рисками. —

2007. — №1.

30. A Hybrid Fraud Scoring and Spike Detection Technique in Streaming Data. — Подробнее .

31. Patch A., Park J.M. (2007). «An overview of anomaly detection techniques: existing solutions and latest technological trends». Computer Networks, Vol. 51, No. 12, pp. 3448–3470.

32. Rish I. An Empirical Study of the Naive Bayes Classifier. — Подробнее .

33. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям. — СПб.: Питер, 2009.

34. Соложенцев Е.Д., Степанова Н.В. Логико-вероятностная модель оценки кредитного риска физических лиц в коммерческом банке // Управление финансовыми рисками. — 2005. — №4.

35. Карасева Е.И. Экспертная информация для оценки операционных рисков. — Подробнее .

36. Соложенцев Е.Д. Логико-вероятностные модели для выявления взяток. — Подробнее .

37. Соложенцев Е.Д. И3 — технологии для экономики. — СПб.: Наука, 2011. — 387 с.

Козлов Дмитрий Николаевич

Козлов Дмитрий Николаевич
кандидат технических наук
доцент

Начальник управления операционных рисков и контроля департамента рисков ОАО «Банк ЗЕНИТ».

г. Москва

Другие статьи автора 4

Левин Владимир Владимирович

Левин Владимир Владимирович
к. ф.-м. н.

К. ф.-м. н., начальник отдела скоринга ОАО «Банк ЗЕНИТ».

Москва

Другие статьи автора 2