🏦 Fintech2026 虚拟信用卡系统

一个基于 Flask 的智能虚拟信用卡管理系统，专为旅游场景设计

集成 Face ID、PDF 智能识别、AI 信用评估、盲盒抽奖和 AI 旅游推荐功能

快速开始 • 功能特性 • 文档 • 常见问题

✨ 核心功能

🎴 智能信用卡管理

Face ID 认证 - 人脸识别注册与登录 (详细说明)
PDF 智能识别 - 自动提取银行流水和余额证明（支持12个核心财务指标）
AI 信用评估 - Home Credit XGBoost模型 + EV优化算法
- 违约概率预测（PD Model）
- 额度利用率预测（Utilization Model）
- 基于期望价值最大化的额度优化
- 智能杠杆率调整机制
16 位卡号生成 - 可定制后 8 位卡号

💰 消费与积分系统

多币种支持 - 实时汇率转换（AED ⇄ CNY）
WECoin 积分 - 消费获得积分奖励
消费记录追踪 - 详细账单统计与分析

🎁 AI 盲盒抽奖

智能概率算法 - 基于用户行为动态调整中奖率
多种奖品 - 消费券、汇率券、商户券
奖品包管理 - 查看和使用优惠券

🌍 AI 旅游推荐（新功能）

本地 LLM 驱动 - 使用 Ollama + Llama3.2 模型
智能搜索 - DuckDuckGo 实时搜索阿布扎比景点
个性化推荐 - AI 生成旅游、美食、购物建议
完全免费 - 无需 API Key，本地运行

📱 iOS 风格 UI

灵动岛设计 - 流畅动画效果
毛玻璃效果 - 现代化界面
响应式布局 - 完美适配移动端

🚀 快速开始

📋 环境要求

组件	版本要求	说明
Python	3.8+	必需
Ollama	最新版	AI 推荐功能必需
Clash/代理	可选	访问 DuckDuckGo（国内用户推荐）
Conda	推荐	便于安装 dlib

⚡ 方法一：一键启动（推荐）

Windows 用户：

# 双击运行启动脚本
启动项目.bat

脚本会自动完成：

✅ 检查 Python 环境
✅ 安装所有依赖
✅ 初始化数据库
✅ 启动服务器

🔧 方法二：手动启动

Step 1: 克隆项目

git clone https://github.com/your-repo/Fintech2026.git
cd Fintech2026

Step 2: 安装 Python 依赖

推荐使用 Conda（避免 dlib 安装问题）：

# 创建虚拟环境
conda create -n fintech python=3.8 -y
conda activate fintech

# 安装 dlib（使用 conda 最可靠）
conda install -c conda-forge dlib -y

# 安装其他依赖
pip install -r requirements.txt

或使用 pip：

pip install -r requirements.txt

国内用户加速：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt

Step 3: 安装 Ollama（AI 推荐功能）

Windows：

访问 Ollama 官网下载安装包
安装后运行：

ollama pull llama3.2:3b

验证安装：

ollama list
# 应该看到 llama3.2:3b 模型

Step 4: 配置代理（可选，国内用户推荐）

如果需要访问 DuckDuckGo 搜索，请配置代理：

启动 Clash 或其他代理工具（默认端口 7890）
修改 app.py 第 35 行：

abu_dhabi_service = AbuDhabiService(
    model_name="llama3.2:3b",
    use_proxy=True,  # 启用代理
    proxy_url="http://127.0.0.1:7890"  # Clash 默认端口
)

不使用代理：

use_proxy=False  # 改为 False

详细说明：代理配置文档

Step 5: 初始化数据库

python utils/init_db.py

执行后会：

创建 instance/fintech.db 数据库
创建 8 个数据表
插入测试用户数据（用户名: Yogurt）
插入初始奖品和消费记录

Step 6: 启动服务

启动 Ollama 服务（新终端窗口）：

ollama serve

启动 Flask 应用：

python app.py

启动成功后会看到：

 * Running on http://127.0.0.1:5000
 * Debug mode: on
✅ Ollama客户端初始化成功，模型: llama3.2:3b

Step 7: 访问应用

📁 项目结构

Fintech2026/
├── app.py                      # Flask 主应用
├── requirements.txt            # Python 依赖列表
├── 启动项目.bat                # 一键启动脚本（Windows）
│
├── services/                   # 业务服务层
│   ├── face_service.py        # Face ID 服务
│   ├── pdf_service.py         # PDF 识别服务（提取交易数据）
│   ├── feature_engineering_service.py # 特征工程（13个指标）
│   ├── pd_model_service.py    # 违约概率预测模型
│   ├── utilization_model_service.py # 利用率预测模型
│   ├── credit_optimizer_service.py # 额度优化器（EV最大化）
│   ├── credit_limit_service.py # 信用评估服务（主入口）
│   ├── register.py            # 注册管理
│   ├── lottery.py             # 抽奖核心逻辑
│   ├── lottery_prob.py        # AI 概率算法
│   ├── search_service.py      # 搜索服务
│   └── abu_dhabi_service.py   # AI 旅游推荐服务
│
├── models/                     # 机器学习模型
│   ├── hc_pd_model.pkl        # 违约概率模型（13特征）
│   └── hc_utilization_model.pkl # 利用率模型（13特征）
│
├── utils/                      # 工具类
│   ├── database.py            # 数据库操作
│   └── init_db.py             # 数据库初始化
│
├── config/                     # 配置文件
│   └── lottery_rules.py       # 抽奖规则配置
│
├── templates/                  # 前端页面
│   ├── index.html             # 主页（包含 AI 推荐）
│   ├── login.html             # 登录页
│   ├── register.html          # 注册页
│   └── static/                # 静态资源
│
├── uploads/                    # 上传文件
│   ├── faces/                 # 人脸照片
│   └── pdfs/                  # PDF 文件
│
├── instance/                   # 数据库
│   └── fintech.db             # SQLite 数据库
│
├── docs/                       # 📚 文档目录
│   ├── 环境配置指南.md         # Python、dlib 安装
│   ├── Ollama配置指南.md       # AI 推荐配置
│   ├── Face_ID使用说明.md      # 人脸识别说明
│   └── 代理配置说明.md         # 代理配置（可选）
│
├── tests/                      # 测试文件
│   ├── test_pdf.py
│   ├── test_face_recognition.py
│   └── install_dependencies.py
│
└── data/                       # 测试数据
    └── 消费流水.pdf

🎯 核心特性详解

1. 🔐 Face ID 人脸识别

✅ 注册时录入人脸（支持多角度）
✅ 登录时 Face ID 认证
✅ 完全免费（基于 face_recognition 库）
✅ 离线可用（本地处理，保护隐私）
✅ 高准确率（基于 dlib 深度学习模型）

技术栈：face_recognition + dlib + opencv-python

2. 📄 PDF 智能识别

✅ 自动提取银行流水（收入/支出/余额）
✅ 按月份分组统计
✅ 支持多种 PDF 格式
✅ 智能识别交易类型
✅ 自动计算月度收支

技术栈：pdfplumber + 正则表达式

3. 🤖 AI 信用评估（Home Credit完整模型系统）

核心组件：

✅ PDF解析服务 - 提取银行流水交易数据
✅ 特征工程服务 - 计算13个核心财务指标
✅ 违约概率模型 (PD) - XGBoost预测违约风险
✅ 利用率模型 - XGBoost预测额度使用率
✅ 额度优化器 - 基于EV最大化原则计算最优额度

13个核心特征：

收入能力 (3个) - 3个月平均收入、收入方差、总收入
支出能力 (3个) - 大额支出、月消费、收支比
偿还能力 (5个) - 当前余额、余额收入比、最低余额、还款压力、大额取现比
额度相关 (2个) - 候选额度、杠杆率（额度/收入比）

预测指标：

违约概率 (PD) - 预测用户违约风险，额度越高→PD越高（指数增长）
利用率 - 预测额度使用率，额度越大→利用率越低（指数衰减）
预期价值 (EV) - 计算公式：EV = 利息收入 - 预期损失
- 利息收入 = 额度 × 利用率 × APR (36%)
- 预期损失 = 额度 × 利用率 × PD × LGD (80%)

优化策略：

候选额度范围：余额的 1x - 10x
选择预期价值最高的额度作为最优授信额度
智能杠杆率调整机制确保风险随额度增长

技术栈：XGBoost + scikit-learn + numpy + pandas

注册流程：

上传银行流水PDF → 提取交易数据 → 计算13个指标 →
PD模型预测 → 利用率模型预测 → EV优化 → 返回最优授信额度

4. 🎁 AI 盲盒抽奖

✅ 基于用户行为动态调整概率
✅ 新用户专属奖品
✅ 高消费用户获得更好奖品
✅ 智能权重衰减算法
✅ 防作弊机制

算法特点：

新用户权重加成：+30%
高消费用户权重加成：最高 +50%
动态概率调整：基于历史中奖记录

5. 🌍 AI 旅游推荐（新功能）

核心技术：

本地 LLM：Ollama + Llama3.2:3b 模型
实时搜索：DuckDuckGo HTML 搜索
智能翻译：中文查询自动翻译为英文
个性化生成：AI 根据搜索结果生成推荐

功能亮点：

✅ 完全免费（无需 API Key）
✅ 本地运行（保护隐私）
✅ 实时搜索（最新信息）
✅ 智能推荐（景点、美食、购物）
✅ 中英文支持

推荐类型：

🏛️ 旅游景点 - 博物馆、地标、公园
🍽️ 美食餐厅 - 当地特色、米其林餐厅
🛍️ 购物中心 - 奢侈品、传统市集

技术实现：

# 搜索流程
用户输入 → 中文翻译 → DuckDuckGo 搜索 → 提取结果 → Ollama AI 生成推荐

💡 信用评估系统详解

系统架构

PDF上传 → PDF解析 → 特征工程 → 模型预测 → 额度优化 → 返回结果

1. PDF解析服务 (`pdf_service.py`)

功能：从银行流水PDF中提取交易数据

识别交易类型（收入/支出/ATM取现/POS消费/转账）
按月份分组统计
计算基础财务指标

2. 特征工程服务 (`feature_engineering_service.py`)

功能：将PDF数据转换为13个模型特征

类别	特征	说明
收入能力	avg_income_3m	过去3个月平均收入
	income_variance_3m	3个月收入方差（稳定性）
	total_income	总收入
支出能力	avg_large_spending	大额支出平均值
	avg_monthly_consumption	平均月消费
	income_consumption_ratio	收入/消费比
偿还能力	current_balance	当前余额
	balance_income_ratio	余额/收入比
	min_balance_12m	12个月最低余额
	payday_plus_5_drop	发薪日后5天余额下降
	large_withdrawal_ratio	大额取现比例
额度相关	credit_amount	候选额度
	credit_to_income_ratio	杠杆率（额度/收入）

3. 违约概率模型 (`pd_model_service.py`)

功能：预测用户违约概率（PD）

核心机制：

# 基础预测
base_PD = XGBoost模型预测(13个特征)

# 杠杆率调整（确保额度越高→PD越高）
leverage_ratio = credit_amount / total_income
scaled_base = base_PD × 0.7  # 缩小基础PD
multiplier = exp(1.0 × leverage_ratio)  # 指数增长
adjusted_PD = scaled_base × multiplier
adjusted_PD = clip(adjusted_PD, 0, 0.70)  # 上限70%

效果示例（假设base_PD = 40%）：

杠杆率 0.1 → PD ≈ 31%
杠杆率 0.5 → PD ≈ 46%
杠杆率 1.0 → PD ≈ 76% → 限制为70%
杠杆率 2.0 → PD ≈ 70%（触及上限）

4. 利用率模型 (`utilization_model_service.py`)

功能：预测额度使用率

核心机制：

# 基础预测
base_utilization = XGBoost模型预测(13个特征)

# 杠杆率调整（确保额度越大→利用率越低）
leverage_ratio = credit_amount / total_income
multiplier = exp(-0.35 × leverage_ratio)  # 指数衰减
adjusted_utilization = base_utilization × multiplier
adjusted_utilization = clip(adjusted_utilization, 0.30, 0.95)

效果示例：

杠杆率 0.1 → 利用率 ≈ 85-90%（额度小，容易用满）
杠杆率 0.5 → 利用率 ≈ 70-75%
杠杆率 1.0 → 利用率 ≈ 55-60%
杠杆率 2.0 → 利用率 ≈ 40-45%（额度大，用不完）

5. 额度优化器 (`credit_optimizer_service.py`)

功能：基于EV最大化原则计算最优额度

优化算法：

# 候选额度：余额的1x到10x
candidate_amounts = [balance × 1.0, balance × 1.5, ..., balance × 10.0]

# 对每个候选额度计算EV
for amount in candidate_amounts:
    PD = pd_model.predict(features)
    utilization = utilization_model.predict(features)

    # 计算预期价值
    exposure = amount × utilization
    interest_income = exposure × APR (36%)
    expected_loss = exposure × PD × LGD (80%)
    expected_value = interest_income - expected_loss

# 选择EV最大的额度
optimal_amount = max(candidate_amounts, key=lambda x: EV(x))

风险参数：

APR（年化利率）：36%
LGD（违约损失率）：80%
候选倍数：[1.0, 1.5, 2.0, 2.5, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0]

预测结果示例

输入：

总收入：¥74,707.66
当前余额：¥4,204.74

输出：

所有候选额度的评估结果:
------------------------------------------------------------
倍数      额度         违约概率    利用率      预期价值
------------------------------------------------------------
1.0x  ¥  4,204.74    14.79%    80.81%  ¥    821.22
1.5x  ¥  6,307.11    15.21%    80.02%  ¥  1,202.72
2.0x  ¥  8,409.48    15.65%    79.23%  ¥  1,564.76
2.5x  ¥ 10,511.85    16.09%    78.46%  ¥  1,907.32
...
10.0x ¥ 42,047.40    23.90%    67.68%  ¥  4,803.33
------------------------------------------------------------

最优额度: ¥42,047.40 (10.0x余额)
预期价值: ¥4,803.33
违约概率: 23.90%
风险等级: 较高风险

📚 详细文档

快速开始

🚀 QUICKSTART.md - 3分钟快速部署指南
📋 PROJECT_SUMMARY.md - 项目总结

配置指南

🔧 环境配置指南 - Python、dlib、依赖安装
🤖 Ollama 配置指南 - AI 推荐功能配置
🌐 代理配置说明 - 国内用户代理配置（可选）

功能说明

👤 Face ID 使用说明 - 人脸识别功能详细说明

API 文档

📡 API_REFERENCE.md - 完整API参考文档

测试脚本

🧪 test_pdf_features.py - PDF提取和信用评估测试

🧪 测试账号

初始化数据库后，可使用以下测试账号：

字段	值
用户名	Yogurt
用户 ID	1
卡号	5210 7132 0767 1316
WECoin	200
抽奖次数	10
授信额度	¥100,000

🔧 技术栈

后端

Web 框架：Flask 3.0.0
数据库：SQLite3（内置）
AI/ML：
- XGBoost 2.0.3（信用评估 - Home Credit完整模型，13特征）
- face_recognition 1.3.0（人脸识别 - 基于 dlib）
- Ollama + Llama3.2:3b（旅游推荐 - 本地 LLM）
PDF 处理：pdfplumber 0.10.3
数据处理：pandas 2.0.0, numpy 1.24.0
搜索引擎：DuckDuckGo + BeautifulSoup4 4.12.2

前端

UI 框架：原生 HTML5 + CSS3 + JavaScript
设计风格：iOS 风格（灵动岛、毛玻璃效果）
响应式布局：移动优先（390×844px）

❓ 常见问题

1. 数据库文件不存在

问题：sqlite3.OperationalError: unable to open database file

解决：

python utils/init_db.py

2. Flask 未安装

问题：ModuleNotFoundError: No module named 'flask'

解决：

pip install flask
# 或
pip install -r requirements.txt

3. dlib 安装失败

问题：ERROR: Could not build wheels for dlib

解决：

# 使用 conda 安装（推荐）
conda install -c conda-forge dlib -y

# 或下载预编译包（Windows）
pip install dlib-19.24.0-cp38-cp38-win_amd64.whl

4. Ollama 502 错误

问题：❌ 生成推荐失败: (status code: 502)

解决：

# 1. 检查 Ollama 是否运行
ollama list

# 2. 确认模型已下载
ollama pull llama3.2:3b

# 3. 测试模型
ollama run llama3.2:3b "你好"

# 4. 重启 Ollama 服务
# 关闭当前 ollama serve，然后重新运行
ollama serve

5. DuckDuckGo 搜索失败

问题：⚠️ 搜索未找到结果

解决：

# 方法 1: 启用代理（国内用户）
# 修改 app.py 第 35 行
use_proxy=True
proxy_url="http://127.0.0.1:7890"  # Clash 默认端口

# 方法 2: 检查网络连接
# 在浏览器访问 https://duckduckgo.com 测试

详细说明：代理配置文档

6. 端口被占用

问题：OSError: [Errno 48] Address already in use

解决：

# Windows 查找占用 5000 端口的进程
netstat -ano | findstr :5000

# 杀死进程
taskkill /PID <进程ID> /F

# 或修改端口
# 在 app.py 最后一行修改
app.run(debug=True, port=5001)

7. WECoin 不足

问题：翻卡时提示 WECoin 不足

解决：

# 在 Python 控制台手动增加 WECoin
from utils.database import Database
db = Database('instance/fintech.db')
db.add_wecoin(user_id=1, amount=100)

8. 模型加载失败

问题：❌ 模型加载失败

解决：

# 确认模型文件存在
ls models/xgboost_simple_model.pkl

# 安装 xgboost
pip install xgboost
# 或
conda install -c conda-forge xgboost

9. Face ID 识别失败

问题：登录时人脸识别失败

解决：

✅ 确保光线充足
✅ 正面面对摄像头
✅ 移除眼镜、帽子等遮挡物
✅ 重新注册人脸（多角度录入）

10. PDF 识别失败

问题：上传 PDF 后无法提取数据

解决：

✅ 确保 PDF 是文本格式（非扫描件）
✅ 检查 PDF 格式是否符合银行流水格式
✅ 使用测试文件 data/消费流水.pdf 验证功能

📞 技术支持

遇到问题请检查：

✅ Python 版本 ≥ 3.8
✅ 所有依赖是否正确安装
✅ 数据库是否已初始化
✅ 端口 5000 是否被占用
✅ 模型文件是否在正确位置
✅ Ollama 服务是否运行
✅ 代理配置是否正确（如需要）

调试模式：

# 启用详细日志
export FLASK_DEBUG=1
python app.py

📄 许可证

本项目仅供学习和研究使用。

🙏 致谢

Flask - Web 框架
face_recognition - 人脸识别
XGBoost - 机器学习
Ollama - 本地 LLM 部署
DuckDuckGo - 搜索引擎

⭐ 如果这个项目对你有帮助，请给个 Star！

开始使用: 双击 启动项目.bat 或运行 python app.py

详细文档: 查看 docs/ 目录

Made with ❤️ by Fintech2026 Team

Name		Name	Last commit message	Last commit date
Latest commit History 2 Commits
config		config
models		models
services		services
templates		templates
tests		tests
user_persona		user_persona
utils		utils
visualization		visualization
.gitignore		.gitignore
QUICKSTART.md		QUICKSTART.md
README.md		README.md
app.py		app.py
evaluate_models.py		evaluate_models.py
启动项目.bat		启动项目.bat

cjw0426/FINTECH2026

Folders and files

Latest commit

History

Repository files navigation