数字化欺诈与金融科技反欺诈的应用

郝光昊

(北京大学 经济学院，北京 100871)

一、数字化欺诈的主要特征

近年来，随着大数据、区块链、人工智能、云计算等先进数字技术的快速成熟，金融科技的发展及其对传统金融行业的影响也愈加广泛和深入。一方面，金融科技降低了金融市场的信息不对称性，为健全多层次金融市场做出了重要贡献。[1]另一方面，因金融科技而衍生的新型金融欺诈手段借势滋生，数字化金融欺诈风险也在不断升级。

图1 2018年8月～2019年8月中国境内存在异常的互联网金融网站和金融攻击(1)所用数据来自国家互联网安全技术专家委员会的数据披露https://www.ifcert.org.cn/disclosure/dataList.

在现阶段守住不发生系统性金融风险底线的宏观要求下，金融监管的重要性被提到前所未有的高度。[2]由于金融与互联网的密切交融，现代金融欺诈行为也呈现出数字化的新特征，对传统的金融反欺诈手段构成极大挑战。[3]基于数字化技术的金融业务快速发展，传统金融业务不断向线上转型，诱发的欺诈模式也不断革新、日趋复杂，数字化金融欺诈逐渐表现出专业化、系统化、隐蔽化的特征，为金融反欺诈带来了全新挑战。

(一)欺诈专业化

在数字化技术发展的同时，金融欺诈手段也随之更新升级。金融欺诈方式从传统的盗号、盗刷等低级手段逐渐演变为现时的高度专业化行为。金融欺诈行为从成本高、损失小的撒网式欺诈向成本低、损失大的精准化欺诈转变，并加之以数字金融、区块链网络、人工智能等新型数字概念，叠加以网络传销、兼职赚钱、网购退款、金融理财、虚拟货币等新型复杂手段，使得数字化金融欺诈更具迷惑性，难以被识别监控。

数字化金融欺诈渗透的业务环节较多，手段多样，具有很强的场景适应性。以P2P网络借贷行业为例，在账户注册阶段，欺诈者伪造身份注册、冒用他人身份注册、自动化垃圾注册等；在账户登录阶段，欺诈者的金融账号出现盗用、冒用、异常共享等行为；在贷款申请阶段，欺诈者提供虚假申请信息、绕过审核标准申请超额贷款；在交易支付阶段，欺诈者可能恶意拖欠或利用非法信用卡进行交易。[4]

表1 数字化金融欺诈主要分类

(二)欺诈系统化

同传统的欺诈行为相比，数字化金融欺诈通常是有组织、有规模的，构成一定的数字化金融欺诈系统。信息源、协作方、实施方相互合作，彼此交融，涉及欺诈金额巨大，涉案人员众多，形成一条犯罪产业链，造成了严重的不良社会影响。

数字化金融欺诈产业链主要包括开发制作、批发零售、诈骗实施、洗钱销赃四大环节，进而又可细分为软件开发、硬件制作、网络黑客、钓鱼零售、域名贩子、个信批发、银行卡盗用、电话卡盗用、身份证盗用、电话诈骗、短信群发、在线推广、现金取现、电商平台购物、黄赌毒网站等多项具体分工。[5]

(三)欺诈隐蔽化

数字化的金融欺诈是基于数字化技术实现的，数字化技术的虚拟特性导致欺诈更为隐蔽、难以识别。隐蔽化具体表现在三个方面：一是移动化。数字化金融欺诈利用网络环境，不受空间距离的限制，异地作案使得反欺诈更为困难。二是高频化。由于金融科技具有普惠性，服务客户下沉，单笔欺诈造成的损失多数都在万元以下。但是欺诈次数和规模高速扩张，总损失金额仍然很高。三是匿迹化。数字化金融欺诈多存在盗号盗刷、冒用身份问题，有的利用区块链技术等安全加密手段以隐匿行踪，仅仅依靠传统反欺诈手段很难取证。

二、金融科技反欺诈的主要优势

在金融科技兴起的新时代，新兴数字技术作为金融行业未来发展的核心驱动力，正在与其他的新式金融生态共同促进金融行业转型升级。

与此同时，传统金融反欺诈体系由于对反欺诈系统架构缺乏重视、监测数字化金融攻击的能力薄弱、全方位欺诈风险预警平台未创设等原因，在数字化反欺诈领域存在一定劣势。金融机构需要改变以往的风控思路，通过运用金融科技手段不断增强主动式反欺诈能力，以便应对新挑战。

(一)金融科技提高反欺诈效率

传统反欺诈技术需要大量的非自动化操作，人力成本过高，效率也较低。而金融科技业务的交易快速、数据繁冗、场景多元，传统反欺诈手段很难有效保护下沉而分散的客户群体。为了应对挑战，将金融科技手段应用于金融反欺诈，可以直接提高金融反欺诈的效率。

这首先得益于大数据技术的发展，尤其是数据传感体系、网络通信体系、传感适配体系、智能识别体系及软硬件资源接入系统，使得金融系统对结构化、半结构化、非结构化的海量数据的智能化识别、定位、跟踪、接入、传输、信号转换、监控、初步处理和管理成为可能，因此风控服务商能够凭借多种信息来源以获取用户数据，如浏览记录、通讯记录、信息往来、历史订单以及社交平台的个人资料等；同时运用新数据存储和处理技术，主要是优化提效的分布式文件系统(DFS)、异构数据的数据融合技术、数据组织技术和大数据建模技术。监管方可以从信息中总结用户特征，并构建模型进行客群画像，有效辩识出具有潜在欺诈风险的高危用户，从而实现反欺诈的目的。[6,7]

同样，在金融机构借贷反欺诈抗风险方面，也可以通过金融科技中的大数据征信得以解决。在借贷风险监控中，贷前需要鉴别借贷者个人信息的真伪、估测其还贷能力和预期还贷时间；贷中实时监控借贷者的经济行为以识别异常并防范风险；贷后需要将数据处理整合来补充借贷者的征信记录。在整个风控流程中，以用户数据的海量利用和人工智能技术的分析能力为基础的数字化反欺诈系统居于核心地位。人工智能和云计算的发展也同样提高了反欺诈的效率，分别体现在反欺诈过程的自动化和智能化以及成本控制上。以往需要数日的复杂繁琐的匹配、审批流程随着技术的进步逐渐缩短，直至目前的实时完成，这一系列新技术无疑极大地提高了业务效率。

(二)金融科技保障反欺诈质量

传统反欺诈手段的分析角度普遍单一，通常只局限于分析用户的某一项风险指标，而难以构建多层次的用户画像，进而对用户的行为特征、偿债能力、支付水平和欺诈可能性实现多维度的估测分析。

在金融科技的协助下，金融机构可以实现全方位、多维度、高精准的金融反欺诈。通过可能的时序分析以及混合式的无监督机器学习模型的使用，风控服务商可以实现提前精确预判甚至未曾出现过的欺诈方式，交易完成后也可以对信息的一致性进行检验，提前监测出潜在欺诈风险。另外，与社交网络平台不同，互联网金融平台的用户通常需要经过实名认证与征信识别，过程中利用人脸识别、语音识别、指纹识别和虹膜识别等技术。与以往的人工认证相比，金融科技反欺诈在信息识别上效果显著，大幅缩短了识别时长，且能有效降低识别错误率和认证失败率。如指纹付款、扫脸付款、声波付款等，都属于此类技术的实际应用。在后台反欺诈方面，金融科技也有着优胜之处。通过大数据与人工智能技术，反欺诈程序可以从后台的交易数据中不断识别、整合、学习用户信息和交易逻辑，有能力实时侦测异常金融行为，例如盗卡盗号、注册攻击、恶意套现等，从而更好地保护个人用户和金融机构的经济安全。

基于以上两大优势，金融科技反欺诈技术得到了快速的发展，在信贷监控、身份诈骗识别、异常交易监测等领域得到广泛应用。

三、金融科技反欺诈的技术要素

金融科技反欺诈的主要技术应用可以分为数据采集、数据分析和应对机制三个阶段，行业研究方向也基本分为这三大方向。

(一)数据采集中的反欺诈

数据采集是指金融机构从金融服务客户端和网络公开信息中查找、搜集、整合客户数据的技术手段，是使用金融科技反欺诈工具的基础。在数据采集的过程中，需要严格遵循法律法规和监管要求，必须在获取用户授权的前提下，进行合法合规的数据采集。

主流数据采集的微观数据内容包括：生物特征、地理位置、财产情况、征信记录、其他网络信息等。数据采集的同时，可以形成自动化实时报告，推进数据整合管理，并将整理过的数据信息提交给数据分析平台以进行反欺诈决策。

在金融科技反欺诈系统中，兼具广度、深度、多维度的大数据库是最为基础的要求之一。通过海量丰富的数据信息流，可以形成更为全面的用户画像，以便对潜在风险用户的欺诈行为进行预测和防范。金融科技反欺诈的数据收集需要广度、深度、多维度的全面覆盖：广度是指(数字)空间上的概念，即数据库对用户金融行为轨迹的全面统计；深度是指时间上的概念，即数据库对用户金融行为的长期历史记录；多维度则是指数据库对用户进行多个角度、多种场景、多类行为的全方位数据记录。

金融科技反欺诈系统搜集的数据信息大致可划分为外部数据和内部数据，综合分析可以对欺诈行为进行预测和防范。外部数据主要是指公开的黑名单库、失信名单库、高危账号库，及需要进行针对性统计的用户行为数据库、地理位置库等，对用户的金融行为进行覆盖式检测。通过联结共享不同的数据库，例如网上交易记录信息库、网上社交平台信息库、移动设备信息库等，可以快速整合并获取用户的性别、年龄、学历、职业、资产水平、家庭状况等基本信息，以此作为欺诈行为预测和偿债能力估计的依据。在获得用户画像之后，也可以结合不同用户的数据内容分析，例如共用IP地址、通讯记录、交易记录等，构建包含海量用户的大数据关系图谱，有效防范团伙欺诈行为。内部数据则是指金融科技反欺诈系统通过服务商提供的核心算法，借助人工智能和机器学习技术从自动行为模式学习到自动异常检测。目前最为常用的是“设备指纹”技术(2)设备指纹(Device Fingerprinting)是指可以用于标识出某智能设备的设备特征。设备指纹因子一般包含智能设备的型号和操作系统、安装的应用程序和插件、浏览器设置、硬件特征、移动设备的IMEI、计算机的网卡Mac地址、系统字体和时区设置等，通过算法生产特征字符串来作为设备指纹。，设备指纹可以通过收集客户端的多维信息为所用的智能设备生成独立的唯一ID，相当于该设备的“身份证”，以此为基础来收集内部数据。通过对“设备指纹”的针对性跟踪分析，金融机构可以有效提高合规风控的自动化程度，结合核心算法，根据自身的业务场景，在系统内部反复学习用户的行为模式，增强人工智能对潜在风险判定的准确度。

数据采集过程中也可以搭建自动化实时报告平台，通过数据的连续传输与转换实现高效采集。通过构建双向数据流通的报告平台，搭设起被监管部门或机构与监管部门或机构之间的信息桥梁。在实际操作过程中，报告平台可以直接搭建在中间公司，各类型金融机构传送数据到中间公司的基础数据立方中，快速构建简单而可靠的数据报告，这种实时报告的数据信息具备时效性而较少冗余信息，有能力提供实时的欺诈警报，有效识别在程序执行时检测出的市场行为异常。在标准化的转换规则下，基础数据立方中收集的数据进行持续转换，进而将有效信息传送到自动化报告平台的详细报告中。自动化报告平台不仅能节约监管成本，还能实现金融风险分担。同时，结合大数据进行历史分析可以提供市场评估，预判大型和复杂的欺诈风险，并持续丰富数据以提供更多建议。

(二)数据分析中的反欺诈

数据分析是指金融机构利用数据分析工具从数据信息中分析反欺诈决策的方法。金融科技反欺诈平台通过数据分析技术搭建的反欺诈决策引擎，是金融科技反欺诈体系的大脑和核心。反欺诈决策引擎能够高效整合用户数据库、专家规则和反欺诈模型等功能节点，为金融机构打造一个功能强大、操作简易、安全可靠的人机交互界面，以降低反欺诈运营成本并提高反欺诈响应速度。

目前主流的数据分析引擎模型主要有业务规则模型和机器学习模型两种，机器学习模型又可分为神经网络模型和随机森林模型。

首先，业务规则模型是指一种嵌入式的程序组件，基于已知的传统欺诈模型，利用预定义的语义模块，以编写分离于程序代码之外的业务决策。业务规则模型最大的特点是风险决策逻辑和应用逻辑基本实现了分离，而给予业务人员以配置反欺诈规则的自主权。这种模型支持复杂规则处理，涵盖了位置规则、统计规则、名单规则、异常规则、用户习惯规则、时间窗口规则、事件关联规则等。[8]

对于不同的潜在欺诈场景，需要与之相对应的反欺诈规则。例如，对于申请欺诈行为，规则模型采用黑名单认定、身份证确认、设备硬件信息、IP地址、手机号码等规则进行判定；对于交易欺诈行为，规则模型采用短期高频交易、异常大额交易、盗号盗刷等规则进行判定。业务规则模型将一系列规则的执行结果体现为用户的欺诈概率估值，并通过比较实际业务场景和欺诈概率阈值来进行反欺诈决策。

此外，机器学习模型也是一种反欺诈常用的分析模型。机器学习模型基于统计分析技术，可以准确和实时地进行风险评估，能够通过对数据的整理分析训练出合适的决策机制。模型利用先进的数学统计方法，进行深度的数据挖掘，持续修正决策模型，不断提高对数字化金融欺诈的适应能力，有效地防范控制欺诈风险。较为常见的机器学习模型有两种，即神经网络模型和随机森林模型。

神经网络模型是模仿人类大脑神经突触联结而搭建的信息处理模型，借鉴了动态博弈理论，具备高度的适应性、稳定性、容错性，有能力并行处理大量任务，且带有学习进化能力。在金融科技反欺诈系统中，神经网络模型是一种可靠的欺诈量化模型，借助大数据技术在海量信息中挖掘出风险特征，对用户和交易进行风险评估，估算潜在欺诈概率。模型自主学习历史交易数据及相关信息，刻画出类型用户的交易行为模式，并将实际行为与推测行为进行比较分析，其差异度越高，则交易风险越大。[9]

图2 业务规则模型的引擎逻辑

与传统的神经网络模型相比，随机森林模型的算法具有更好的精准度。随机森林模型在数据分析中强调变量和数据的关系，在变量(列)和数据(行)中使用随机化，构建分类决策树并汇总结果。随机森林模型对于多元公线性不敏感，分析结论对缺失数据和非平衡数据更为稳健，从而有效预测几千个以上的解释变量作用。基于集成方法的决策树可以同时很好地处理非线性和非单调性，这在识别欺诈信号中相当普遍。随机森林模型较之传统模型具有更好的过拟合容错性，由于过拟合可以通过更多的决策树来削弱，所以海量的变量处理也不会带来过多的过拟合。[10]

(三)应对机制中的反欺诈

完整的金融科技反欺诈系统必须能够有效识别欺诈行为并提供相应的反制措施和手段，进而保护平台和客户的利益不受损失。应对机制分为两个流程，即欺诈行为的事中干预和事后改进。反欺诈事中干预机制是指在决策引擎识别到金融欺诈行为时，通过技术手段来阻止欺诈行为的发生。针对不同的欺诈场景，可以采取对应的干预措施。第一类措施是通过金融科技反欺诈系统精准识别风险用户，防范并拦截金融欺诈行为，辅助互联网金融平台过滤可疑信息量。第二类措施是对金融平台上的交易行为进行风险估测，对可疑交易进行拦截，并发送验证码核实或人工核实，且在后台登记交易拦截记录并冻结欺诈者的账号。第三类措施是借助数据库和反欺诈模型审核互联网金融平台的用户资料，提前阻止黑名单和高风险用户的金融服务申请，并利用核心算法对所有用户进行风险评估。

在欺诈事件发生之后，事后改进机制有助于构建和完善反欺诈生态系统，实现内部反馈循环。事后改进措施使反欺诈系统收集到很多来自不同欺诈场景的反馈信息，这些信息之间的关联是至关重要的。通过不断地接收反馈，能够使整个反欺诈生态系统更加有效。随着数字化金融欺诈趋于专业化、系统化、隐蔽化，欺诈者的目标通常不只是一家金融公司、一类细分行业，而是借助数字技术游走于多行业、多平台上进行欺诈。因此，为了实现更理想的反欺诈效果，各类金融机构必须实现跨行业的联防联控，消除不同行业之间的信息孤岛，实现数据共享。

四、金融科技反欺诈的应用场景

金融科技反欺诈产业已经在中国市场悄然扎根布局，不仅是大型数字技术公司和细分领域标杆企业作为技术提供方为金融行业创新赋能，传统金融机构和金融部门也正在利用自身资源创立或与数字技术业界合作建立基于金融科技的反欺诈系统，提高金融科技在反欺诈领域的普及程度，使金融行业参与者分享技术红利。金融机构和监管机构的资源信息优势与数字化科技企业的技术基础相契合，正在架设反欺诈价值链的创造模式，为金融反欺诈体系重构技术逻辑。

(一)商业银行的场景应用

目前，商业银行的业务中普遍存在大量数字化欺诈行为，商业银行的反欺诈业务与金融科技反欺诈的接触点非常广泛。一方面，商业银行的传统业务受到了数字化金融欺诈的负面冲击，如账户注册、账户登录、贷款申请、贷中管理、最终支付等业务办理过程中，高频出现了自动化垃圾注册、账号异常盗用或共享、非法信用卡交易等欺诈行为。另一方面，进入互联网时代以来，商业银行金融欺诈的数字化程度不断增强，随着手机银行、网络银行、移动支付等技术在银行业务中的广泛使用，欺诈行为也不断趋向线上化、移动化，这使得传统反欺诈手段更加难以解决欺诈问题。

在商业银行的储蓄存款业务中，主要存在伪造身份注册虚假账户、冒用他人身份注册账户、账户盗用与冒用、账户异常共享等欺诈行为。对于账号异常类型的欺诈风险，互联网金融移动应用正在推广使用面部识别、语音识别等技术进行实名认证，例如国信证券远程开户、微众银行线上开户、建设银行刷脸取款等。面部识别、语音识别等技术通常内嵌于智能手机硬件系统中，用户与金融机构无需支出硬件成本，只需要付出软件研发开支与推广成本，进一步增强了这类产品的竞争力。

面部识别、语音识别的认证操作相对复杂，所以普遍用于频率较低、风险较小的交易环节，如开户等。对于日常小额支付等高频交易环节，扫码支付、刷卡支付等仍更为合适。此外，新兴的静脉识别、虹膜识别技术也在金融领域得到应用，南京银行就曾利用静脉识别技术帮助用户实现 ATM 无卡存取款的功能。

在商业银行的贷款业务中，金融科技反欺诈主要应用于对贷款方的信用以及偿还能力的调查以及持续跟踪，常见的应用场景主要包括：贷前审核、贷后管理与跟踪、账户安全保障等。金融科技利用大数据和人工智能技术，广泛搜集贷款方用户数据，对其进行准确信用评级，防止授信过度和信用不良资产的产生。在贷后管理方面，金融科技反欺诈通过对贷款方数据的实时监控，对其信用恶化、财务恶化等状况迅速做出反应，并可以对其还款计划做出精准预测。面对逾期等不良行为，也可利用智能催收系统提高失联客户触达率。

在商业银行的支付转账业务中，金融科技反欺诈赋能场景主要有支付方身份识别和支付过程监控两方面。在支付方识别方面，金融科技反欺诈主要利用生物特征(3)生物特征是每个人固有的独特信息，不会被消除、复制、偷取，更不会被用户遗失忘记，因此在交易支付的安全认证环节中有着独到的优势。比对等识别技术提升客户端交易安全。生物特征识别较之传统的密码输入、短信验证更为准确、快速，也更适用于手机银行移动支付。在支付监控方面，可利用数字资产帮助银行提高支付转账以及跨境支付的透明度、真实性以及运行效率。比如区块链信息不易篡改的特征就可以应用在资产安全管理中，以防范数字化资产被盗取的风险；可溯源的特征提高了数字化资产的透明程度；共识机制也增强了资产流转的效率和信用。目前，在区块链+数字化资产领域，各大商业银行已经纷纷开始布局。上海证券交易所、花旗银行、摩根大通等金融机构都在相继利用区块链技术辅助清算、结算系统，有效提高数字化资产的流转效率。

(二)消费金融的场景应用

在金融科技的浪潮面前，消费金融领域所面临的风险本质与传统商业银行的借贷款业务大体一致。包括小额贷款公司、汽车金融平台、互联网金融公司等在内的消费金融机构多数仍处于初创阶段，现有信用数据维度不够，无法获取权威征信数据库信息，导致在放贷过程中任意单家机构无法准确了解借款方的信用情况以及对应的风险情况。

通过金融科技反欺诈手段，消费金融公司可以研发或者购买技术服务，利用互联网数据、购物数据、银行数据、同行共享数据等信息对借款用户进行信用审核和风控审核，也可以通过大数据技术对流入资产进行背景调查，或者将私密数据写入区块链网络上使其更加透明化并且难以篡改。在消费金融的小额贷款流程中，通过金融科技反欺诈的技术支撑，每一项资产的实时状况都可以受到实时跟踪，如果消费用户的短期贷款没有及时偿还，对应的信用信息变化情况就会立刻反映到资产证券监控报表，从而使消费金融公司对财务恶化、信用恶化的情况快速做出反应。

在公司数据库得到了有效充分的完善之后，消费金融产品的金融科技反欺诈手段就可以从个体行为刻画出发，通过数据积累构建高风险行为库、标签库，进而根据个体经济关系，开展行为扩散和标签传播，实现自动化的大数据风控效果。借助这种技术手段，金融机构可以在稳定客群的同时，有效地辩识用户的逾期还款、负面记录、多头借贷、高危历史行为等风险标签，借此有力地防范金融欺诈行为。此外，应用人工智能技术架设智能分析平台可以对风险形势实施有效监测，在交易前和交易中侦测风险，在交易后、风险爆发前利用半自动化或自动化技术策略调整规避。

(三)公司合规监测的场景应用

在全球金融监管日趋严格的大趋势下，金融机构的合规成本也被大幅提升，包括对合规人员的人力成本、合规技术的投入成本、符合监管要求的软硬件升级迭代成本、监管违规的行政处罚成本等，都需要金融科技手段以辅助解决。

在有效管控金融风险的前提下，金融机构正在寻求各种方法来减缓合规成本的快速攀升。金融科技反欺诈技术的兴起，同样可以应用在公司内部的有意或无意欺诈行为监测上。利用金融科技反欺诈，金融机构可以提高合规自动化，增强合规水平，缩减审核时间，从而降低成本、提高利润，提高内部运行效率。

凭借大数据技术，金融公司首先可以进行大规模的数据挖掘、精准化分析、形成数据可视化报告。一方面，金融科技可以加快合规流程，提高监测效率，节省时间成本；另一方面，金融科技将从可供分析的异构数据和文本数据中挖掘出更多的额外信息，其价值进而可被转化于具体的产品运作过程。

凭借机器学习和人工智能技术，金融公司亦可减少工作人员的干预成本，削弱人为的主观决策影响，同时直接降低合规工作的参与人次。其中，机器学习技术的积累进化功能则可以最大程度地优化内部合规流程。

凭借云存储、云计算技术，金融公司能够大大提高监管信息和动态的可获得性和时效性，以便于更准确地搜寻、整合、分析相关的合规信息流，甚至可以借助应用程序接口(API)确保系统内部与外部的有效数据传输。

凭借系统嵌入式监管技术，金融公司可以在调整或修改合规标准的同时，显著降低“菜单成本”，充分发挥软件系统的迭代优势，增强合规程序和风险监管的灵活性。

凭借区块链技术，金融公司可以建立起更为安全可靠的加密数据传输渠道，既可以在增加内外部数据流的传输速率的同时提高加密数据的安全性，也可以降低系统内部的道德风险，以有效地降低合规成本。

在各项金融科技手段的帮助下，金融机构将可以建立一个先进的预测、预警、应急及模拟机制，有效地管控内部风险边界，缩减风险影响范围，大幅减少非必要的合规成本。

(四)政府监管机构的场景应用

金融科技时代下，金融体系的发展变化日新月异，而传统政府金融监管体系难以匹配网络化、分布式的金融科技体系，亟需相对应的金融监管技术。

一方面，数字化金融欺诈场景通常随着先进技术的发展而快速变化，而现有监管体系对数字技术认识不足，存在忽视隐患和潜在风险的可能。另一方面，专业化、系统化的金融欺诈体系中多种技术、行业交叉融合，传统监管体系下划分的分业监管法律规范可能有所缺失，对监管边界上的混业金融科技行为定位不明晰，在监管空白处滋生风险。为了满足宏观政策监管的多维度需要，通过金融科技反欺诈手段应对欺诈现象已经愈发普遍。

在监测金融创新方面，政府监管部门可利用金融科技反欺诈结合相关合作平台的大数据资源及人工智能技术优势，解决克服传统监管体系存在的数据、算法、计算力不足等痛点。[11]在打击金融黑产方面，金融科技反欺诈手段可以有效地识别、估测、预防、拦截金融黑产向数字化金融业务运营的线上转移。在金融风管方面，金融科技反欺诈手段有能力提升金融风控系统对涉众型线上金融欺诈事件的预警处理能力，增强金融机构的识别防范风险水平。

立足于金融科技反欺诈，传统金融监管模式可以重视行为监管，加强功能监管，通过智能化科技手段，构建跨部门联合发现、预警、处置机制，满足“科学防范，早识别、早预警、早发现、早处置”的监管要求，从而更好地防范化解系统性金融风险。