CN106780024A - 交易异常监测方法及装置 - Google Patents

交易异常监测方法及装置 Download PDF

Info

Publication number
CN106780024A
CN106780024A CN201611083483.1A CN201611083483A CN106780024A CN 106780024 A CN106780024 A CN 106780024A CN 201611083483 A CN201611083483 A CN 201611083483A CN 106780024 A CN106780024 A CN 106780024A
Authority
CN
China
Prior art keywords
period
distance
trading activity
coordinate system
account
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201611083483.1A
Other languages
English (en)
Inventor
邹存璐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Corp
Original Assignee
Neusoft Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Neusoft Corp filed Critical Neusoft Corp
Priority to CN201611083483.1A priority Critical patent/CN106780024A/zh
Publication of CN106780024A publication Critical patent/CN106780024A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本公开涉及一种交易异常监测方法和装置，该方法包括：获取目标账户在第一时段内的第一交易行为数据；确定所述第一交易行为数据在与所述第一时段对应的相对坐标系中的第一映射点的坐标；根据所述第一映射点的坐标，确定第一距离；至少根据所述第一距离，判断所述目标账户在所述第一时段内的交易行为是否异常。由此，可以去除外界因素对内部交易行为的影响，能够准确判断交易过程中是否存在违规、内幕等操作行为，降低交易中受损失的概率，提升公平性。

Description

交易异常监测方法及装置
技术领域
本公开涉及金融安全监控领域，具体地，涉及一种交易异常监测方法及装置。
背景技术
为了防止在证券交易中出现违规行为，行监会需要对证券交易行为进行异常监测。目前，交易异常监测的方法通常是针对单一维度单一状态下的累加值的考量，如利用交易量来进行考量。例如，若某一账户连续三个交易日内的涨跌幅偏离值累计达到±20％时，行监会认为其属于异常波动。基于这样的标准，惯常的监测方式是针对个体账号交易量的波动进行回归等机器学习，通过判断实际值跟预测值之间的差值是否超过一定阀值来预测交易是否存在异常。这种指标性的异常预测方法只能对交易市场起到宏观预警的作用，是为了避免投资者在交易出现大幅度异常波动时损失大量资金。
而对于相关监控部门来说，最主要的关注点在于账户交易过程中是否有违规、内幕操作等行为。然而，现有的指标性异常预测方法无法区分造成异常波动的原因究竟是由内部异常操作引起的，还是由外界因素引起的。外界因素对交易的影响往往作用于市场内部的所有账户，例如房价上涨导致大量账户撤资，从而引发股市整体交易量的下降，基于现有的异常预测方法会预测到波动幅度较大并发出异常预警。但是这种波动主要是外界因素导致的，跟违规操作、内幕操作没有直接相关性。因此，如何去除外界因素对市场内部交易行为的影响是准确判断交易过程中是否存在违规、内幕等操作行为的关键。
发明内容
本公开是针对现有技术中由于无法去除外界因素对市场内部交易行为的影响而无法准确判断交易过程中是否存在违规、内幕等操作行为的问题，提供一种交易异常监测方法和装置。
为了实现上述目的，本公开提供一种交易异常监测方法，该方法包括：获取目标账户在第一时段内的第一交易行为数据；确定所述第一交易行为数据在与所述第一时段对应的相对坐标系中的第一映射点的坐标，其中，所述相对坐标系是根据多个参考账户在对应时段内的交易行为数据构建的；根据所述第一映射点的坐标，确定第一距离，其中，所述第一距离为所述第一映射点到与所述第一时段对应的所述相对坐标系的原点之间的距离；至少根据所述第一距离，判断所述目标账户在所述第一时段内的交易行为是否异常。
可选地，所述至少根据所述第一距离，判断所述目标账户在所述第一时段内的交易行为是否异常的步骤包括：在所述第一距离小于第一预设阈值时，判定所述目标账户在所述第一时段内的交易行为异常。
可选地，所述方法还包括：获取第二距离，其中，所述第二距离为所述目标账户在第二时段内的交易行为数据在与所述第二时段对应的相对坐标系中的第二映射点到与所述第二时段对应的所述相对坐标系的原点之间的距离，并且，所述第二时段早于所述第一时段；所述至少根据所述第一距离，判断所述目标账户在所述第一时段内的交易行为是否异常的步骤包括：根据所述第一距离和所述第二距离，判断所述目标账户在所述第一时段内的交易行为是否异常。
可选地，所述根据所述第一距离和所述第二距离，判断所述目标账户在所述第一时段内的交易行为是否异常的步骤包括：当所述第二距离大于所述第一距离、且所述第二距离与所述第一距离之间的差大于第二预设阈值时，判定所述目标账户在所述第一时段内的交易行为异常。
可选地，所述相对坐标系是通过以下方式构建的：获取多个参考账户在对应时段内的交易行为数据；根据所述多个参考账户在对应时段内的交易行为数据，构建参考交易行为矩阵；计算所述参考交易行为矩阵的特征向量及对应的特征值；利用按照特征值降序排序、排名在前L个的特征值所对应的特征向量来构建L维的相对坐标系，其中，L为大于或等于2的自然数。
可选地，所述确定所述第一交易行为数据在与所述第一时段对应的相对坐标系中的第一映射点的坐标的步骤包括：确定所述第一交易行为数据和与所述第一时段对应的相对坐标系的各个维度上的特征向量之间的相似度；根据所确定的相似度、以及与所述第一时段对应的相对坐标系的各个维度上的特征向量所对应的特征值，确定所述第一交易行为数据在与所述第一时段对应的相对坐标系中的第一映射点的坐标。
可选地，通过以下方式确定所述第一映射点的坐标：
Vi＝λi×(corr(V,Qi)+1)
其中，Vi表示所述第一映射点在与所述第一时段对应的相对坐标系的第i个维度上的映射值；λi表示第i个维度上的特征向量所对应的特征值；V表示所述第一交易行为数据；Qi表示第i个维度上的特征向量；corr(V,Qi)表示所述第一交易行为数据V和第i个维度上的特征向量Qi之间的相似度，其中，1≤i≤L。
可选地，所述方法还包括：在判定所述目标账户在所述第一时段内的交易行为异常时进行告警。
本公开还提供一种交易异常监测装置，该装置包括：第一获取模块，用于获取目标账户在第一时段内的第一交易行为数据；坐标确定模块，用于确定所述第一交易行为数据在与所述第一时段对应的相对坐标系中的第一映射点的坐标，其中，所述相对坐标系是根据多个参考账户在对应时段内的交易行为数据构建的；距离确定模块，用于根据所述第一映射点的坐标，确定第一距离，其中，所述第一距离为所述第一映射点到与所述第一时段对应的所述相对坐标系的原点之间的距离；判断模块，用于至少根据所述第一距离，判断所述目标账户在所述第一时段内的交易行为是否异常。
可选地，所述判断模块用于在所述第一距离小于第一预设阈值时，判定所述目标账户在所述第一时段内的交易行为异常。
可选地，所述装置还包括：第二获取模块，用于获取第二距离，其中，所述第二距离为所述目标账户在第二时段内的交易行为数据在与所述第二时段对应的相对坐标系中的第二映射点到与所述第二时段对应的所述相对坐标系的原点之间的距离，并且，所述第二时段早于所述第一时段；所述判断模块用于根据所述第一距离和所述第二距离，判断所述目标账户在所述第一时段内的交易行为是否异常。
可选地，所述判断模块用于当所述第二距离大于所述第一距离、且所述第二距离与所述第一距离之间的差大于第二预设阈值时，判定所述目标账户在所述第一时段内的交易行为异常。
可选地，所述相对坐标系是通过坐标系构建装置构建的，其中，所述坐标系构建装置包括：第三获取模块，用于获取多个参考账户在对应时段内的交易行为数据；矩阵构建模块，用于根据所述多个参考账户在对应时段内的交易行为数据，构建参考交易行为矩阵；计算模块，用于计算所述参考交易行为矩阵的特征向量及对应的特征值；坐标系构建模块，用于利用按照特征值降序排序、排名在前L个的特征值所对应的特征向量来构建L维的相对坐标系，其中，L为大于或等于2的自然数。
可选地，所述坐标确定模块包括：第一确定子模块，用于确定所述第一交易行为数据和与所述第一时段对应的相对坐标系的各个维度上的特征向量之间的相似度；第二确定子模块，用于根据所确定的相似度、以及与所述第一时段对应的相对坐标系的各个维度上的特征向量所对应的特征值，确定所述第一交易行为数据在与所述第一时段对应的相对坐标系中的第一映射点的坐标。
可选地，所述第二确定子模块用于通过以下方式确定所述第一映射点的坐标：
Vi＝λi×(corr(V,Qi)+1)
其中，Vi表示所述第一映射点在与所述第一时段对应的相对坐标系的第i个维度上的映射值；λi表示第i个维度上的特征向量所对应的特征值；V表示所述第一交易行为数据；Qi表示第i个维度上的特征向量；corr(V,Qi)表示所述第一交易行为数据V和第i个维度上的特征向量Qi之间的相似度，其中，1≤i≤L。
可选地，所述装置还包括：告警模块，用于在判定所述目标账户在所述第一时段内的交易行为异常时进行告警。
本公开的实施例提供的技术方案可以包括以下有益效果：通过使用参考账户的交易行为数据来建立相对坐标系，充分考虑了目标账户交易行为与参考账户交易行为之间的关联性变化，将目标账户的交易行为映射到相对坐标系后，能够反映出目标账户与参考账户的交易行为之间的偏差程度。因此，可以去除外界因素对内部交易行为的影响，能够准确判断交易过程中是否存在违规、内幕等操作行为，降低交易中受损失的概率，提升公平性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种交易异常监测方法的流程图。
图2根据一示例性实施例示出的一种相对坐标系构建方式的流程图。
图3A是根据另一示例性实施例示出的一种交易异常监测方法的流程图。
图3B是根据另一示例性实施例示出的一种交易异常监测方法的流程图。
图4A至图4C是根据一示例性实施例示出的一种交易异常监测装置的框图。
图5是根据一示例性实施例示出的一种坐标系构建装置的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1是根据一示例性实施例示出的一种交易异常监测方法的流程图。如图1所示，该方法可以包括：
在步骤101中，获取目标账户在第一时段内的第一交易行为数据。
目标账户可以为监控部门期望进行交易异常监测的账户，其可以为交易市场中的任一账户。账户在某个时段内的交易行为数据能够反映出该账户的用户在该时段内进行了何种交易，以及交易量是多少。以证券交易为例，账户A在一时段内的交易行为数据可以如下表所示：
表1
股票A 股票B 股票C 股票D 股票E
账户A 5000 600 -400 300 3400
其中，表1中的数据表示：账户A在该时段内，对五支股票进行了交易。通过对账户A在该时段内针对同一股票的每次交易的买入卖出量进行相加整合，能够得到账户A在该时段内对各支股票的绝对交易量，其中，正值表示买入，负值表示卖出。
在步骤102中，确定第一交易行为数据在与第一时段对应的相对坐标系中的第一映射点的坐标。
在本公开中，每个时段可以各自对应一个相对坐标系，该相对坐标系是根据多个参考账户在对应时段内的交易行为数据构建的。其中，该参考账户可以根据国家征信数据来选取，例如，选取征信排名在前N位的账户作为参考账户，其中，N为大于或等于2的自然数。假设要监控目标账户在第一时段内的第一交易行为数据是否异常，则可以根据多个参考账户在同时段内的交易行为数据来构建与第一时段相对应的相对坐标系。
时段的选取可以采用时间滑窗的方式，每一个时间窗对应一个时段。时间窗的窗口大小、滑动步长可以根据要监测异常的敏感度来确定。当监测异常的敏感度较高时，可以设置小步长、小窗口，当监测异常的敏感度不高时，可以设置大步长、大窗口。
当选取征信排名在前N位的账户作为参考账户时，他们的交易行为在相应的时段内存在极其相似的可能，彼此之间可能存在相关性。然而，相对坐标系的坐标轴之间应当是正交不相关的，因此，在本公开的一个可选的实施方式中，可以采用主成分分析的方法对征信排名在前N位的账户进行主成分抽取，以获得一组正交不相关的特征向量，并将该组特征向量作为相对坐标系的坐标轴向量。如图2所示，该相对坐标系的构建方式可以包括以下步骤：
在步骤201中，获取多个参考账户在对应时段内的交易行为数据。
示例地，假设要建立与第一时段相对应的相对坐标系，选取征信排名前四位的账户B、账户C、账户D和账户E作为参考账户，因此，通过步骤201，可以获得上述四个参考账户在第一时段内的交易行为数据。需要说明的是，在建立不同时段所对应的相对坐标系时，所选取的参考账户可以相同，也可以不同(例如，在数量方面有所不同，在账号方面有所不同，等等)。
在步骤202中，根据多个参考账户在对应时段内的交易行为数据，构建参考交易行为矩阵。
示例地，参考交易行为矩阵如下表所示，其中，矩阵中的每一行代表一个参考账户在对应时段内对不同股票的绝对交易量。
表2
股票A 股票B 股票C 股票D 股票E
账户B 0 -3000 0 5000 0
账户C 200 0 -400 500 300
账户D 0 -4500 300 0 50
账户E 100 2300 -400 30 0
在步骤203中，计算参考交易行为矩阵的特征向量及对应的特征值。
在一种实施方式中，可以通过主成分分析法来计算参考交易行为矩阵的特征向量及对应的特征值。
示例地，可以通过以下等式(1)来计算参考交易行为矩阵的特征向量和对应的特征值：
RTR＝QΣQT (1)
其中，R表示所述参考交易行为矩阵；Q表示所述参考交易行为矩阵的特征向量矩阵，其中，所述特征向量矩阵的每一列为所述参考交易行为矩阵的一个特征向量；Σ表示对角线矩阵，其中，所述对角线矩阵Σ的取值为各个特征向量对应的特征值。
在步骤204中，利用按照特征值降序排序、排名在前L个的特征值所对应的特征向量来构建L维的相对坐标系。
在本公开中，相对坐标系的维度L是大于或等于2的自然数。在得到参考交易行为矩阵的特征向量及其对应的特征值后，将该特征值按照由大到小的顺序进行排序，从中挑选出排列在最前面的L个特征值，然后把这L个特征值对应的特征向量作为相对坐标系的坐标轴向量，从而完成L维相对坐标系的构建。
需要说明的是，虽然不同时段内选取的参考账户的数量可能会有所不同，但构建的不同时段所对应的相对坐标系的维度应当是相同的，即，假设针对某个时段，选取N个参考账户，根据该N个参考账户在该时段内的交易行为数据来构建与该时段相对应的L维相对坐标系，但是针对另一时段，选取M个参考账户(其中，M为大于或等于2的自然数，并且M≠N)，则根据该M个参考账户在该另一时段内的交易行为数据来构建与该另一时段相对应的L维相对坐标系。
回到图1，在利用图2所示的方法构建完与第一时段相对坐标系后，在步骤102中，可以通过以下方式来确定第一交易行为数据在与第一时段对应的相对坐标系中的第一映射点的坐标。
首先，确定第一交易行为数据和与第一时段对应的相对坐标系的各个维度上的特征向量之间的相似度。
示例地，可以通过以下等式(2)来确定第一交易行为数据和与第一时段对应的相对坐标系的各个维度上的特征向量之间的相似度：
其中，corr(V,Qi)表示第一交易行为数据V和第i个维度上的特征向量Qi之间的相似度，其中，1≤i≤L；V表示所述第一交易行为数据，其中，所述第一交易行为数据V为行向量；Qi表示第i个维度上的特征向量，其中，所述第i个维度上的特征向量Qi为行向量；Vj表示所述第一交易行为数据V的第j列的取值；表示所述第一交易行为数据V的平均值；Qij表示第i个维度上的特征向量Qi的第j列的取值；表示第i个维度上的特征向量Qi的平均值。
接下来，根据所确定的相似度、以及与第一时段对应的相对坐标系的各个维度上的特征向量所对应的特征值，确定该第一交易行为数据在与第一时段对应的相对坐标系中的第一映射点的坐标。
在该实施方式中，可以通过与第一时段对应的相对坐标系的各个维度上的特征向量所对应的特征值对该相似度进行加权处理，获得第一映射点的坐标。这样，可以确保权重越大的特征向量所对应的参考交易行为在判断目标账户的交易行为是否异常的过程中占有越大的比重，从而进一步提高判断结果的准确性。
示例地，可以通过以下等式(3)来确定第一映射点的坐标：
Vi＝λi×(corr(V,Qi)+1) (3)
其中，Vi表示所述第一映射点在与所述第一时段对应的相对坐标系的第i个维度上的映射值；λi表示第i个维度上的特征向量所对应的特征值。
由此，就可以获得第一映射点的坐标。
由于相对坐标系以参考账户的各交易行为作为坐标轴，并且各坐标轴之间不相关，因此，当将目标账户的交易行为映射到该相对坐标系中时，映射点在各个坐标轴上的坐标能够反映出该目标账户的交易行为与该坐标轴所对应的参考账户的交易行为之间的相似程度，由此，可以准确确定出目标账户的交易行为与大众的参考账户的交易行为之间的偏差程度。当有外界因素影响时，各个账户的交易行为数据的绝对量可能会有所变化，但是，由于相对坐标系反映的是目标账户的交易行为与参考账户的交易行为之间的相对位置关系，因此，该相对位置关系受外界因素的影响较小。由此，通过该相对坐标系来判断目标账户的交易行为是否异常，能够有效消除外界因素对内部交易行为的影响，进而能够准确判断交易过程中是否存在违规、内幕等操作行为。
接下来，在步骤103中，根据第一映射点的坐标，确定第一距离。
在本公开中，该第一距离为第一映射点到与第一时段对应的相对坐标系的原点之间的距离。
示例地，可以通过以下等式(4)来确定第一距离：
其中，Dt表示所述第一距离；Vi表示所述第一映射点在与所述第一时段对应的相对坐标系的第i个维度上的映射值；L表示所述相对坐标系的维度总数。
在步骤104中，至少根据第一距离，判断目标账户在第一时段内的交易行为是否异常。
在本公开中，第一距离越大，目标账户的交易行为与参考账户的交易行为越相近，目标账户的交易行为越有可能是常规操作行为；反之，第一距离越小，目标账户的交易行为与参考账户的交易行为越不相近，甚至是相反的交易行为，目标账户的交易行为越有可能是异常操作行为。由此，在一种实施方式中，可以通过将第一距离与第一预设阈值进行比较来判断目标账户的交易行为是否异常。示例地，当第一距离小于第一预设阈值时，可以判定目标账户在第一时段内的交易行为异常；当第一距离大于或者等于第一预设阈值时，可以判定目标账户在第一时段内的交易行为无异常。该第一预设阈值可以是人为设定的值，也可以是默认的经验值。
本公开的实施例提供的技术方案可以包括以下有益效果：通过使用参考账户的交易行为数据来建立相对坐标系，充分考虑了目标账户交易行为与参考账户交易行为之间的关联性变化，将目标账户的交易行为映射到相对坐标系后，能够反映出目标账户与参考账户的交易行为之间的偏差程度。因此，可以去除外界因素对内部交易行为的影响，能够准确判断交易过程中是否存在违规、内幕等操作行为，降低交易中受损失的概率，提升公平性。
图3A是根据另一示例性实施例示出的一种交易异常监测方法的流程图。如图3A所示，该方法可以包括：
在步骤301中，获取目标账户在第一时段内的第一交易行为数据。
在步骤302中，确定第一交易行为数据在与第一时段对应的相对坐标系中的第一映射点的坐标；
在步骤303中，根据第一映射点的坐标，确定第一距离。
步骤301至步骤303的实施方式同上面结合图1所描述的步骤101至步骤103的实施方式相同，此处便不再赘述。
在步骤304中，获取第二距离。
在本公开中，该第二距离为目标账户在第二时段内的交易行为数据在与第二时段对应的相对坐标系中的第二映射点到与第二时段对应的所述相对坐标系的原点之间的距离，其中，第二时段早于第一时段。以通过时间滑窗的方式来选取时段为例，第一时段可以例如为当前时间滑窗所对应的时段，第二时段可以例如为前一时间滑窗所对应的时段。
在一种实施方式中，在监测目标账户在第一时段内的第一交易行为数据是否异常之前，第二距离已经按照如上面结合步骤102和步骤103所描述的距离确定方式确定好了，并且可以通过存储器存储该第二距离。那么，在交易异常监测过程中，当需要获取该第二距离时，可以通过访问存储器的方式来获得。
在另一种实施方式中，在监测目标账户在第一时段内的第一交易行为数据是否异常之前，第二距离还没有确定好，这样，可以按照如上面结合步骤102和步骤103所描述的距离确定方式来获得该第二距离。
在步骤305中，根据第一距离和第二距离，判断目标账户在第一时段内的交易行为是否异常。
在本公开中，当第二距离大于第一距离时，表示目标账户对应的映射点的坐标向原点方向移动，当向原点的位移超过一定的阈值时，即第二距离与第一距离之间的差大于第二预设阈值时，表示目标账户的交易行为变为偏离参考账户的交易行为，且偏离程度较大，此时，可以认为该时段内用户的操作存在异常；而当第二距离小于或等于第一距离时，表示目标账户对应的映射点的坐标向远离原点的方向移动，此时表明目标账户的交易行为越来越趋于参考账户的交易行为，此时，可以认为该目标账户的交易行为不存在异常。因此，当第二距离大于第一距离、且第二距离与第一距离之间的差大于第二预设阈值时，可以判定目标账户在第一时段内的交易行为异常；当第二距离小于或等于第一距离，或者在第二距离大于第一距离，但第二距离与第一距离之间的差小于或等于第二预设阈值时，可以判定目标账户在第一时段内的交易行为无异常。该第二预设阈值可以是人为设定的值，也可以是默认的经验值。
当第二距离与第一距离之间的差大于零时，表示目标账户的坐标向原点方向移动，此时，当该差值大于预设的第二阈值时，可以判定目标账户在第一时段内的交易行为异常。
通过参考历史时段内的交易行为，可以得到目标账户的交易行为的变化趋势，基于该变化趋势来判断目标账户在当前时段内的交易行为是否异常，可以使得判断结果更为客观、准确，并且还可以实现对账户交易行为的连续、动态的异常监测。
可选地，如图3B所示，所述方法还可以包括：
在步骤306中，在判定目标账户在第一时段内的交易行为异常时进行告警。
在本公开的一种实施方式中，当监测到目标账户的交易行为存在异常时，可以通过弹出窗口、警铃、或者向用户的手机发送消息等方式来提醒监测人员，以进行后期的人工排查。
图4A是根据一示例性实施例示出的一种交易异常监测装置的框图。如图4A所示，该装置400可以包括：第一获取模块401，用于获取目标账户在第一时段内的第一交易行为数据；坐标确定模块402，用于确定所示第一获取模块401获取到的所述第一交易行为数据在与所述第一时段对应的相对坐标系中的第一映射点的坐标，其中，所述相对坐标系是根据多个参考账户在对应时段内的交易行为数据构建的；距离确定模块403，用于根据所述坐标确定模块402确定的所述第一映射点的坐标，确定第一距离，其中，所述第一距离为所述第一映射点到与所述第一时段对应的所述相对坐标系的原点之间的距离；判断模块404，用于至少根据所述距离确定模块403确定的所述第一距离，判断所述目标账户在所述第一时段内的交易行为是否异常。
可选地，所述判断模块404用于在所述第一距离小于第一预设阈值时，判定所述目标账户在所述第一时段内的交易行为异常。
如图4B所示，所述装置400可以包括：第二获取模块405，用于获取第二距离，其中，所述第二距离为所述目标账户在第二时段内的交易行为数据在与所述第二时段对应的相对坐标系中的第二映射点到与所述第二时段对应的所述相对坐标系的原点之间的距离，并且，所述第二时段早于所述第一时段；所述判断模块404用于根据所述距离确定模块403确定的所述第一距离和所述第二获取模块405获取到的所述第二距离，判断所述目标账户在所述第一时段内的交易行为是否异常。
可选地，所述判断模块404用于当所述第二距离大于所述第一距离、且所述第二距离与所述第一距离之间的差大于第二预设阈值时，判定所述目标账户在所述第一时段内的交易行为异常。
可选地，如图5所示，所述相对坐标系是通过坐标系构建装置构建的，其中，所述坐标系构建装置500可以包括：第三获取模块501，用于获取多个参考账户在对应时段内的交易行为数据；矩阵构建模块502，用于根据所述第三获取模块501获取到的所述多个参考账户在对应时段内的交易行为数据，构建参考交易行为矩阵；计算模块503，用于计算所述矩阵构建模块502构建的所述参考交易行为矩阵的特征向量及对应的特征值；坐标系构建模块504，用于利用按照计算模块503得到的特征值降序排序、排名在前L个的特征值所对应的特征向量来构建L维的相对坐标系，其中，L为大于或等于2的自然数。需要说明的是，该坐标系构建装置500可以与所述交易异常监测装置400相互独立，也可以集成于该交易异常监测装置400内，这里不做具体限定。
可选地，所述坐标确定模块402可以包括：第一确定子模块，用于确定所述第一交易行为数据和与所述第一时段对应的相对坐标系的各个维度上的特征向量之间的相似度；第二确定子模块，用于根据所述第一确定子模块所确定的相似度、以及与所述第一时段对应的相对坐标系的各个维度上的特征向量所对应的特征值，确定所述第一交易行为数据在与所述第一时段对应的相对坐标系中的第一映射点的坐标。
可选地，所述第二确定子模块用于通过以下方式确定所述第一映射点的坐标：
Vi＝λi×(corr(V,Qi)+1)
其中，Vi表示所述第一映射点在与所述第一时段对应的相对坐标系的第i个维度上的映射值；λi表示第i个维度上的特征向量所对应的特征值；V表示所述第一交易行为数据；Qi表示第i个维度上的特征向量；corr(V,Qi)表示所述第一交易行为数据V和第i个维度上的特征向量Qi之间的相似度，其中，1≤i≤L。
可选地，如图4C所示，所述装置400还可以包括：告警模块406，用于在判定所述目标账户在所述第一时段内的交易行为异常时进行告警。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种交易异常监测方法，其特征在于，所述方法包括：
获取目标账户在第一时段内的第一交易行为数据；
确定所述第一交易行为数据在与所述第一时段对应的相对坐标系中的第一映射点的坐标，其中，所述相对坐标系是根据多个参考账户在对应时段内的交易行为数据构建的；
根据所述第一映射点的坐标，确定第一距离，其中，所述第一距离为所述第一映射点到与所述第一时段对应的所述相对坐标系的原点之间的距离；
至少根据所述第一距离，判断所述目标账户在所述第一时段内的交易行为是否异常。
2.根据权利要求1所述的方法，其特征在于，所述至少根据所述第一距离，判断所述目标账户在所述第一时段内的交易行为是否异常的步骤包括：
在所述第一距离小于第一预设阈值时，判定所述目标账户在所述第一时段内的交易行为异常。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取第二距离，其中，所述第二距离为所述目标账户在第二时段内的交易行为数据在与所述第二时段对应的相对坐标系中的第二映射点到与所述第二时段对应的所述相对坐标系的原点之间的距离，并且，所述第二时段早于所述第一时段；
所述至少根据所述第一距离，判断所述目标账户在所述第一时段内的交易行为是否异常的步骤包括：
根据所述第一距离和所述第二距离，判断所述目标账户在所述第一时段内的交易行为是否异常。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一距离和所述第二距离，判断所述目标账户在所述第一时段内的交易行为是否异常的步骤包括：
当所述第二距离大于所述第一距离、且所述第二距离与所述第一距离之间的差大于第二预设阈值时，判定所述目标账户在所述第一时段内的交易行为异常。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述相对坐标系是通过以下方式构建的：
获取多个参考账户在对应时段内的交易行为数据；
根据所述多个参考账户在对应时段内的交易行为数据，构建参考交易行为矩阵；
计算所述参考交易行为矩阵的特征向量及对应的特征值；
利用按照特征值降序排序、排名在前L个的特征值所对应的特征向量来构建L维的相对坐标系，其中，L为大于或等于2的自然数。
6.根据权利要求5所述的方法，其特征在于，所述确定所述第一交易行为数据在与所述第一时段对应的相对坐标系中的第一映射点的坐标的步骤包括：
确定所述第一交易行为数据和与所述第一时段对应的相对坐标系的各个维度上的特征向量之间的相似度；
根据所确定的相似度、以及与所述第一时段对应的相对坐标系的各个维度上的特征向量所对应的特征值，确定所述第一交易行为数据在与所述第一时段对应的相对坐标系中的第一映射点的坐标。
7.根据权利要求6所述的方法，其特征在于，通过以下方式确定所述第一映射点的坐标：
Vi＝λi×(corr(V,Qi)+1)
其中，Vi表示所述第一映射点在与所述第一时段对应的相对坐标系的第i个维度上的映射值；λi表示第i个维度上的特征向量所对应的特征值；V表示所述第一交易行为数据；Qi表示第i个维度上的特征向量；corr(V,Qi)表示所述第一交易行为数据V和第i个维度上的特征向量Qi之间的相似度，其中，1≤i≤L。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在判定所述目标账户在所述第一时段内的交易行为异常时进行告警。
9.一种交易异常监测装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标账户在第一时段内的第一交易行为数据；
坐标确定模块，用于确定所述第一交易行为数据在与所述第一时段对应的相对坐标系中的第一映射点的坐标，其中，所述相对坐标系是根据多个参考账户在对应时段内的交易行为数据构建的；
距离确定模块，用于根据所述第一映射点的坐标，确定第一距离，其中，所述第一距离为所述第一映射点到与所述第一时段对应的所述相对坐标系的原点之间的距离；
判断模块，用于至少根据所述第一距离，判断所述目标账户在所述第一时段内的交易行为是否异常。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取第二距离，其中，所述第二距离为所述目标账户在第二时段内的交易行为数据在与所述第二时段对应的相对坐标系中的第二映射点到与所述第二时段对应的所述相对坐标系的原点之间的距离，并且，所述第二时段早于所述第一时段；
所述判断模块用于根据所述第一距离和所述第二距离，判断所述目标账户在所述第一时段内的交易行为是否异常。
CN201611083483.1A 2016-11-30 2016-11-30 交易异常监测方法及装置 Pending CN106780024A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611083483.1A CN106780024A (zh) 2016-11-30 2016-11-30 交易异常监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611083483.1A CN106780024A (zh) 2016-11-30 2016-11-30 交易异常监测方法及装置

Publications (1)

Publication Number Publication Date
CN106780024A true CN106780024A (zh) 2017-05-31

Family

ID=58912841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611083483.1A Pending CN106780024A (zh) 2016-11-30 2016-11-30 交易异常监测方法及装置

Country Status (1)

Country Link
CN (1) CN106780024A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480951A (zh) * 2017-08-16 2017-12-15 北京奇安信科技有限公司 用户行为处理方法及装置
CN107871213A (zh) * 2017-11-27 2018-04-03 上海众人网络安全技术有限公司 一种交易行为评价方法、装置、服务器以及存储介质
CN108682088A (zh) * 2018-05-14 2018-10-19 平安科技（深圳）有限公司 基于atm的跨境异常交易的确定方法及装置
CN109409948A (zh) * 2018-10-12 2019-03-01 深圳前海微众银行股份有限公司 交易异常检测方法、装置、设备及计算机可读存储介质
CN110362999A (zh) * 2019-06-25 2019-10-22 阿里巴巴集团控股有限公司 用于检测账户使用异常的方法及装置
CN110400220A (zh) * 2019-07-23 2019-11-01 上海氪信信息技术有限公司 一种基于半监督图神经网络的智能可疑交易监测方法
CN111583033A (zh) * 2020-04-01 2020-08-25 北京智信度科技有限公司 基于上市公司和股东之间联系的关联分析方法及装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480951A (zh) * 2017-08-16 2017-12-15 北京奇安信科技有限公司 用户行为处理方法及装置
CN107871213A (zh) * 2017-11-27 2018-04-03 上海众人网络安全技术有限公司 一种交易行为评价方法、装置、服务器以及存储介质
CN107871213B (zh) * 2017-11-27 2021-11-12 上海众人网络安全技术有限公司 一种交易行为评价方法、装置、服务器以及存储介质
CN108682088A (zh) * 2018-05-14 2018-10-19 平安科技（深圳）有限公司 基于atm的跨境异常交易的确定方法及装置
CN109409948A (zh) * 2018-10-12 2019-03-01 深圳前海微众银行股份有限公司 交易异常检测方法、装置、设备及计算机可读存储介质
CN110362999A (zh) * 2019-06-25 2019-10-22 阿里巴巴集团控股有限公司 用于检测账户使用异常的方法及装置
CN110400220A (zh) * 2019-07-23 2019-11-01 上海氪信信息技术有限公司 一种基于半监督图神经网络的智能可疑交易监测方法
CN111583033A (zh) * 2020-04-01 2020-08-25 北京智信度科技有限公司 基于上市公司和股东之间联系的关联分析方法及装置

Similar Documents

Publication Publication Date Title
CN106780024A (zh) 交易异常监测方法及装置
US10572885B1 (en) Training method, apparatus for loan fraud detection model and computer device
Jouini et al. Revisiting the shock and volatility transmissions among GCC stock and oil markets: A further investigation
Christoffersen et al. How relevant is volatility forecasting for financial risk management?
Řezáč et al. How to measure the quality of credit scoring models
CN108650133A (zh) 网络风险评估方法及系统
Keshari Jena et al. Are the top six cryptocurrencies efficient? Evidence from time‐varying long memory
Jiang et al. Short term prediction of extreme returns based on the recurrence interval analysis
CN107093085A (zh) 异常用户识别方法及装置
CN112541536A (zh) 用于信用评分的欠采样分类集成方法、设备及存储介质
Glenski et al. Improved forecasting of cryptocurrency price using social signals
Olanipekun et al. Unveiling the causal interactions among the US monetary policy uncertainty, exchange market pressure, and FDI‐flows in large emerging market economies
Kozmenko et al. Statistical model of risk assessment of insurance companys functioning
Zhao et al. Predicting loan defaults using logistic regression
CN102968741A (zh) 一种基于宏观因子的压力测试系统及方法
Matsushita et al. Are pound and euro the same currency?
CN112329862A (zh) 基于决策树的反洗钱方法及系统
Su et al. Comparison of multivariate GARCH models with application to zero-coupon bond volatility
Abid et al. Financial distress prediction using neural networks
CN107305662A (zh) 识别违规账户的方法及装置
JP2020173742A (ja) 情報処理装置、情報処理方法及びプログラム
JP5970390B2 (ja) ｂｏｔ判定装置及び方法及びプログラム及び数値集合分布判定装置
Hashem et al. NetMES: a network based marginal expected shortfall measure
Das et al. Comparison of recession during 2008-2009 and 2009–2013 through chaotic analysis of the foreign exchange rates
US20150302419A1 (en) Appraisal adjustments scoring system and method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170531

RJ01 Rejection of invention patent application after publication