tanaygandhi1/payment-fraud-risk-analytics
GitHub: tanaygandhi1/payment-fraud-risk-analytics
基于636万笔金融交易数据的SQL分析项目，量化揭示传统规则欺诈检测系统的高漏报率并提出改进方案。
Stars: 0 | Forks: 0
# 支付欺诈与风险分析
**分析 636 万笔金融交易，揭示基于规则的欺诈检测系统中的关键漏洞**
[](https://www.kaggle.com/code/tanaygandhi1/payment-fraud-risk-analytics-exposing-detection)
## 关键发现
| 发现 | 结果 |
|---------|--------|
| 基于规则的欺诈标记漏报率 | **99.8%**（在 8,213 起欺诈案件中仅检测到 16 起） |
| 存在欺诈的交易类型 | **5 种中的 2 种**（仅限 TRANSFER 和 CASH_OUT） |
| 最高风险区间 | **CASH_OUT 500K+**，欺诈率为 3.6%（基准的 18 倍） |
| TRANSFER 中的余额异常率 | **95.24%** |
| CASH_OUT 中的余额异常率 | **88.54%** |
## 业务背景
数字支付平台（Razorpay、PhonePe、Paytm）每天处理数百万笔交易。大多数欺诈检测系统依赖于简单的基于规则的标记——即标记任何超过特定金额阈值的交易。
**核心问题：简单的基于规则的欺诈标记在 636 万笔真实交易中效果如何？它在哪里失效？**
## 数据集
- **来源：** PaySim Synthetic Financial Dataset（ealaxi，Kaggle）
- **规模：** 6,362,620 笔交易
- **周期：** 30 天（744 个小时步长）
- **字段：** 交易类型、金额、发送方/接收方余额、欺诈标签
## 分析结构
| 章节 | 描述 |
|---------|-------------|
| 1. 设置与数据加载 | 加载并验证 636 万笔交易 |
| 2. 数据集概述 | 交易类型分布与交易量 |
| 3. 按交易类型划分的欺诈情况 | TRANSFER (0.77%) 和 CASH_OUT (0.18%) 是仅有的欺诈类型 |
| 4. 检测漏洞 | 基于规则的标记仅捕获了 8,213 起欺诈案件中的 16 起（漏报率 99.8%） |
| 5. 更好的信号 | 金额分桶 + 余额对账异常检测 |
| 6. 业务建议 | 针对支付风险团队的三项可执行建议 |
## 核心 SQL 查询
**按交易类型划分的欺诈率：**
```
SELECT
type,
COUNT(*) AS total_transactions,
SUM(isFraud) AS fraud_count,
ROUND(100.0 * SUM(isFraud) / COUNT(*), 4) AS fraud_rate_pct
FROM transactions
GROUP BY type
ORDER BY fraud_rate_pct DESC;
```
**检测漏洞分析：**
```
SELECT
SUM(isFraud) AS actual_fraud,
SUM(isFlaggedFraud) AS system_flagged,
SUM(CASE WHEN isFraud=1 AND isFlaggedFraud=1 THEN 1 ELSE 0 END) AS correctly_flagged,
SUM(CASE WHEN isFraud=1 AND isFlaggedFraud=0 THEN 1 ELSE 0 END) AS fraud_missed
FROM transactions;
```
**余额对账异常：**
```
SELECT
type,
COUNT(*) AS total,
SUM(CASE WHEN ABS(oldbalanceOrg - amount - newbalanceOrig) > 1
THEN 1 ELSE 0 END) AS anomaly_count,
ROUND(100.0 * SUM(CASE WHEN ABS(oldbalanceOrg - amount - newbalanceOrig) > 1
THEN 1 ELSE 0 END) / COUNT(*), 2) AS anomaly_rate_pct
FROM transactions
WHERE type IN ('TRANSFER', 'CASH_OUT')
GROUP BY type;
```
## 业务建议
1. **停止仅依赖金额阈值** —— 当前的标记仅能捕获 0.2% 的欺诈
2. **将检测重点仅放在 TRANSFER 和 CASH_OUT 上** —— 100% 的欺诈都发生在这 2 种类型中
3. **使用余额对账作为主要信号** —— 在 95% 的高风险交易中都存在该异常
## 使用的工具
*Tanay Gandhi | [LinkedIn](https://linkedin.com/in/tanaygandhi1) |
[tanay.website](https://tanay.website)*
标签：SQL, 代码示例, 多线程, 数据分析, 欺诈检测, 系统审计, 逆向工具, 金融风控, 风控规则引擎