信用卡的使用给人们的生活消费带来极大便利,信用卡消费支付成为国内消费支付的主要方式之一。借鉴国外成熟的信用卡业务管理经验,在信用卡业务规模保持高增长的同时,国内银行也在加强和重视信用卡风险管理,其中信用卡欺诈交易问题是当前信用卡业务主要风险之一。信用卡交易欺诈具有极强的隐蔽性,因信息技术的快速发展,诈骗分子的欺诈手段和欺诈方式频繁变化和不断升级,这意味着交易数据的分布会随时间而变化,即产生概念漂移问题,同时信用卡业务的增长伴随着卡交易数据量的急剧膨胀。数据挖掘是从海量数据中获得人们事前不易理解但可能具有高价值信息和知识的过程,其已广泛应用于信用风险管理系统中。在欺诈检测模型研究中涉及的数据挖掘技术主要包括三个方面:(1)分类算法的应用研究,如传统的决策树和Logistic回归等分类器,新兴的深度学习方法等等;(2)针对不平衡数据集的数据平衡技术;(3)解决概念漂移问题的增量学习方法。比较已有研究,可发现具有优秀欺诈交易侦测能力的大多数据挖掘模型不具备良好的可解释性,这阻碍了从业人员对欺诈交易的进一步研究,分析欺诈来源。因此本文在已有研究的基础上,作了以下工作:(1)将决策树与Logistic回归构成的混合模型(Logit Leaf Model,LLM)用于信用卡欺诈识别模型的构建,该模型本身具备良好的可解释性和优秀的分类能力。(2)为适应信用卡交易数据集极度不平衡的特点,本研究一方面对分类模型本身做出改进,引入基于信息增益的损失敏感度量,从而提出了基于交易损失敏感的LLM,另一方面,在数据预处理阶段结合数据平衡技术使得数据集趋向平衡。(3)在欺诈模式随时间变化的情景下,研究使用增量学习方法对训练数据集不断更新,同时保留部分旧的数据集,不断训练新模型并组合新旧模型,以期更新模型知识。通过以上各种数据挖掘技术的结合构建出完整的基于交易损失敏感的LLM欺诈识别模型。最后基于真实数据集进行实验分析,实验分为三个阶段:第一阶段,将基于交易损失敏感的LLM和六种基准模型进行对比分析,利用交叉验证及网格搜索对模型参数寻优;第二阶段,在提出的模型上对比三种经典的数据采样技术对模型分类效果的影响并给出相应分析;第三阶段,在前面两步的基础上引入增量学习方法,验证欺诈识别模型的有效性,并提取分类规则进行模型可解释性分析。