金融欺诈事件日益严重，给商业银行造成了巨大的经济损失。国内外学者针对金融欺诈识别问题的研究取得了诸多成果，但现有Logistic回归的研究并未区分二类识别错误的代价，实际上将用户错判为正常用户与错判为欺诈用户所产生的损失大为不同。本文以总损失最小为目标，设计了固定代价FCost（即Fixed Cost）和概率代价PCost（即Probabilistic Cost）两种算法，通过数值实验验证算法的基本性能。然后结合商业银行金融欺诈实例进行分析，结果表明代价敏感Logistic回归相比于常用的代价敏感算法能够得到更低的总代价，并且可解释性强，能够为商业银行提供决策依据。论文的主要创新性成果如下：
　　基于FCost的代价敏感Logistic回归金融欺诈识别。使用固定代价FCost，以固定代价最小为目标，构建代价函数并设计算法进行求解，通过数值实验验证FCost算法的基本性能。数值实验结果表明，由于欺诈用户具有更大的代价，算法会更加关注欺诈用户而忽视正常用户，能够最小化错分总代价。然后结合实例进行分析，结果表明FCost算法得到的总代价更少，但是其训练时间过长，当数据量较大时难以在有效的时间内得到训练模型。
　　基于PCost的代价敏感Logistic回归金融欺诈识别。使用概率代价PCost，以概率代价最小为目标，构建代价函数并设计算法进行求解，通过数值实验验证PCost算法的基本性能。由于PCost代价函数处处可导，可以采用梯度下降法求解，虽然PCost代价函数不是凸函数，梯度下降法可能收敛到局部最小值，但是可以通过多次不同初始值寻优的方法来弥补。实验结果表明，梯度下降法在总代价和计算速度方面均优于遗传算法，以概率代价最小为目标，是一种可取的方法。然后结合实例进行分析，结果表明PCost算法得到的总代价更少，且训练时间优于其他算法。