随着我国金融消费行业与数字化技术不断融合与发展,非法套利等黑产技术也在不断的更新,黑产团队参与活动屡禁不鲜,给整个金融消费市场的健康发展和正常运行产生了极大阻碍。对风险用户的识别方法的主要难点集中在如何在大规模与形式繁杂的互联网数据中提取与挖掘有效的信息。若不能对健康用户与欺诈用户准确区分,会因错判健康用户导致活动目标无法达成与造成严重经济损失。本文结合机器学习模型预测方法,对风险用户在营销活动非法套利的场景进行分析,并分析影响欺诈行为的主要因素。主要内容如下:首先,本文在基于电信金融活动的用户数据集上构建基于集成学习模型,建模的主要步骤包括:第一步为对数据的分析与预处理,通过对缺失值处理与数据标准化对数据清洗处理;第二步为数据特征提取,基础特征主要包含了用户画像、时间窗口的统计分析类特征,在此基础上根据业务场景提出使用用户操作、交易数据构造频序特征,并且频序类特征对模型在AUC评价指标上有3%的提升;第三步为模型的训练与预测,通过真实数据集进行实验,结果显示Light GBM对比其他模型有更大优势。其次,考虑到人工提取特征过程会忽略某些构建特征的方式,在提取出未曾在特征工程中出现的组合特征存在困难。针对此类问题,构建基于集成学习模块和深度学习模块的加权计算模型。其中,深度学习模块为深度神经网络和因子分解机构建的Deep FM,其能学习到原始特征数据的复杂相关性以学习高阶组合特征;集成学习模块为最优Light GBM模型,其预测结果具有高解释性与可靠性,并能够根据模型结果提出场景优化方案。此方法结合了手动提取特征与自动提取特征的优势,在实验上显示总体加权建模方案略优于单一模型。最后,通过描述性统计和变量重要性挖掘分析,发现用户年龄分布、风险用户区域化、监控产品申请失败率、交易习惯、登录频率情况等因素对欺诈行为的产生有较大的影响。