近几年,互联网行业发展迅速,涌现出越来越多的互联网金融公司,模式层出不穷。大体上分为两大阵营:传统金融机构,例如直销银行业务、联合贷款业务等;第二类是互联网金融公司,例如P2P平台、网贷平台、消费贷公司等。前者是由于升级工具但配套风控技术未能同步导致风险,而后者则有过激的发展,管理体系存在大量漏洞。对金融机构来说,识别欺诈交易对经营发展有重要的影响,探索更有效、更准确的反欺诈模型是其中一个重要的发展方向。但由于缺乏有标记的数据,在许多情况下,无法使用有监督学习方法进行欺诈检测。欺诈检测是一个相对复杂的任务,其发展方向,学术界尚无统一地定论,单独使用聚类和离群检测技术等非监督方法并不能得到满意的结果。另一个问题是由于缺乏足够的业务知识,以至于缺乏对不同客户行为信息的解读、理解,这也导致欺诈检测的结果较差,使得欺诈检测系统在现实环境中无法应用。本文的研究主要针对商业银行电子渠道反欺诈技术的研究,以半监督学习为出发点结合过往的银行反欺诈经验,建立一套能够有效解决商业银行电子渠道安全问题的模型。本文论述主要从文献研究及项目研究出发,总结半监督学习各个流派的改进思路,为提出适应银行电子渠道反欺诈模型打下铺垫;然后结合目前银行的反欺诈实践,整合出反欺诈框架,并提出如何把各种流派的半监督算法与之结合的方案;研究的最后,结合实际的交易数据,将半监督学习代入反欺诈模型中进行验证。本文以半监督学习为基础,提出了多种新的欺诈行为检测方法,该方法考虑到交易的不确定性影响,将一笔交易的若干行为证据同时注入到模型中。通过考虑不同时期不同主变量和聚合变量的趋势来建模事务行为,并将新到达的交易事件与历史交易记录的偏差程度结合进行行为识别。最终的预测结果,是使用所提出的方法结合大量模型的综合结果。最后,使用某商业银行的实际交易数据集,将新方法的结果与逻辑斯蒂、随机森林、CNN等方法的结果从发现的欺诈数量和发出的错误警告数量两个方面进行比较。结果表明,与逻辑斯蒂、随机森林、CNN等方法相比,本文提出的方法具有较高的精度和较低的误报率,而该方法的计算复杂度使其响应时间更长。