随着我国经济的不断向好,国民的消费观念也在发生变化,消费者们不仅追求更高的消费水平,同时也在探索各种消费模式。近些年来,信用卡消费作为一种预先支付的消费模式受到人们的青睐,市场规模不断扩大,业务量与日俱增。然而,信用卡市场一片欣欣向荣的表象之下,也存在着隐患,即信用卡使用所带来的一系列风险问题,而信用卡欺诈就是其主要风险来源之一。而本文主要以如何对信用卡欺诈事件做出防范作为研究起点,即构建一个有效、高效的信用卡欺诈预测模型来降低信用卡欺诈所带来的损失与危害。通常,信用卡欺诈预测模型的搭建,要解决两点问题,一是如何对类别严重不均衡的信用卡交易数据样本做处理;二是选择何种分类器来满足高预测性能的要求,即数据预处理+分类器选择的构建思路。然而以往构建的信用卡欺诈预测模型存在特征构建繁琐、欠采样信息丢失、过采样模型过拟合、预测性能不佳等不足之处。针对以上问题,本文所构建的Skip-GANormaly信用卡欺诈预测模型主要对特征构建及不平衡数据处理进行了优化,具体体现在以下几方面:一、模型训练阶段仅涉及正常样本,通过学习正常样本的数据分布特点来了解域的总体分布,在预测阶段,基于当前用户数据是否偏离该分布来判断所检测用户是否为欺诈用户;二、模型构建过程人工干预程度低,相较于以往信用卡欺诈预测模型繁琐的数据预处理环节,本文模型仅要求基本的数据格式处理;三、在信用卡欺诈预测领域,Skip-GANormaly模型适用于各种倾斜程度的不平衡数据,应用场景广泛;四、实验证明,相较于传统分类器,基于对抗生成网络所构建的Skip-GANormaly模型具备更加优越的分类性能。