CN109948704A - 一种交易监测方法与装置 - Google Patents
一种交易监测方法与装置 Download PDFInfo
- Publication number
- CN109948704A CN109948704A CN201910212818.2A CN201910212818A CN109948704A CN 109948704 A CN109948704 A CN 109948704A CN 201910212818 A CN201910212818 A CN 201910212818A CN 109948704 A CN109948704 A CN 109948704A
- Authority
- CN
- China
- Prior art keywords
- transaction
- suspicious
- agent
- transaction agent
- suspicious transaction
- 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
Links
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例涉及数据处理技术领域，尤其涉及一种交易监测方法与装置，用以增加对异常交易行为的识别能力。本发明实施例包括：获取监测时间段内的监测交易流水；利用所述监测交易流水形成交易有向图，从所述交易有向图中确定可疑交易社团，其中一个可疑交易社团中包含多个可疑交易主体；针对任一可疑交易主体，根据所述可疑交易主体的监测交易流水，利用异常交易算法模型计算所述可疑交易主体的异常风险值，所述异常交易算法模型将所述可疑交易主体与不依靠标签进行聚类得到的训练样本集相类比。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种交易监测方法与装置。
背景技术
不法分子在实施地下钱庄、电信诈骗、涉赌、涉毒等犯罪行为时，有可能借助银行卡、第三方支付等通道实现非法资金的快速转移。随着大数据、人工智能等前沿技术的快速发展，洗钱、非法购汇、恐怖融资等犯罪手段不断翻新，犯罪形式趋于社团化、智能化，给基于规则的传统交易监测手段带来极大的挑战。
目前国内金融机构对于可疑异常交易的侦测，主要依托于《金融机构大额可疑交易和可疑交易报告管理办法》等监管文件，设计或衍生大额和可疑交易监测规则，并部署在交易监测规则引擎。当异常交易触发监测规则后，产生疑似异常案例，从而实现对大额、可疑交易的监测、拦截和报送。
对于这种基于规则的交易监测方法，由于需依据已知真实案例提炼特征，设置不同异常交易场景的针对性规则模型，对未知异常交易手段的监测效果并不理想；且规则难以涵盖异常交易行为中账户与账户之间复杂的所有关联关系，对于异常交易行为的识别能力有限。
发明内容
本申请提供一种交易监测方法及装置，用以增加对异常交易行为的识别能力。
本发明实施例提供的一种交易监测方法，包括：
获取监测时间段内的监测交易流水；
利用所述监测交易流水形成交易有向图，从所述交易有向图中确定可疑交易社团，其中一个可疑交易社团中包含多个可疑交易主体；
针对任一可疑交易主体，根据所述可疑交易主体的监测交易流水，利用异常交易算法模型计算所述可疑交易主体的异常风险值，所述异常交易算法模型将所述可疑交易主体与不依靠标签进行聚类得到的训练样本集相类比。
一种可选的实施例中，所述利用所述监测交易流水形成交易有向图，从所述交易有向图中确定可疑交易社团，包括：
从所述监测交易流水中获取监测交易主体和监测交易流向；
根据监测交易主体和监测交易流向，构建所述交易有向图，所述交易有向图表明了监测交易主体之间的交易关系；
利用复杂网络分析算法，从所有交易有向图中确定可疑交易社团。
一种可选的实施例中，所述异常交易算法模型为无监督学习模型；
所述根据所述可疑交易主体的监测交易流水，利用异常交易算法模型，计算所述可疑交易主体的异常风险值，包括：
根据所述可疑交易主体的监测交易流水，确定所述可疑交易主体的多维度异常特征的特征向量；所述多维度异常特征为根据可疑异常规则预先规定的多个洗钱特征；
将所述可疑交易主体的特征向量输入所述无监督学习模型中，计算所述可疑交易主体的异常风险值。
一种可选的实施例中，所述无监督学习模型为孤立森林算法模型，所述孤立森林算法模型根据以下方式训练：
确定训练时间段内的训练交易流水，所述训练交易流水未标注标签；
根据所述训练交易流水，确定任一训练样本的多维度异常特征的特征向量；
通过均匀分布有放回随机抽样，将所有训练样本划分为T个训练样本集；
基于孤立森林算法，根据训练样本的特征向量，生成T个随机二叉树，其中一个随机二叉树对应于一个训练样本集。
一种可选的实施例中，所述将所述可疑交易主体的特征向量输入所述无监督学习模型中，计算所述可疑交易主体的异常风险值，包括：
针对所述T个随机二叉树中的任一随机二叉树，根据所述可疑交易主体的特征向量，确定所述可疑交易主体在所述随机二叉树中匹配的叶子节点；根据所述可疑交易主体匹配的叶子节点，计算所述可疑交易主体在所述随机二叉树中的节点深度；
利用所述可疑交易主体在任一随机二叉树中的节点深度，计算所述可疑交易主体的平均深度；
根据所述可疑交易主体的平均深度，确定所述可疑交易主体的异常风险值。
一种可选的实施例中，所述可疑交易主体的异常风险值利用以下公式进行计算：
其中，Score(x,n)为所述可疑交易主体的异常风险值；n为一个训练样本集中的训练样本的数量；h(x)为训练样本x在一棵随机二叉树中的节点深度；C(n)为所有随机二叉树的平均路径长度；E(h(x))为训练样本x在所有随机二叉树中的平均高度。
一种可选的实施例中，所述计算所述可疑交易主体的异常风险值之后，还包括：
将所述可疑交易主体的异常风险值与阈值相比较，若所述可疑交易主体的异常风险值大于所述阈值，则将所述可疑交易主体作为洗钱主体进行输出。
本发明实施例还提供一种交易监测装置，包括：
获取模块，用于获取监测时间段内的监测交易流水；
初筛模块，用于利用所述监测交易流水形成交易有向图，从所述交易有向图中确定可疑交易社团，其中一个可疑交易社团中包含多个可疑交易主体；
计算模块，用于针对任一可疑交易主体，根据所述可疑交易主体的监测交易流水，利用异常交易算法模型计算所述可疑交易主体的异常风险值，所述异常交易算法模型将所述可疑交易主体与不依靠标签进行聚类得到的训练样本集相类比。
一种可选的实施例中，所述初筛模块，具体用于：
从所述监测交易流水中获取监测交易主体和监测交易流向；
根据监测交易主体和监测交易流向，构建所述交易有向图，所述交易有向图表明了监测交易主体之间的交易关系；
利用复杂网络分析算法，从所有交易有向图中确定可疑交易社团。
一种可选的实施例中，所述异常交易算法模型为无监督学习模型；
所述计算模块，具体用于：
根据所述可疑交易主体的监测交易流水，确定所述可疑交易主体的多维度异常特征的特征向量；所述多维度异常特征为根据可疑异常交易规则预先规定的多个洗钱特征；
将所述可疑交易主体的特征向量输入所述无监督学习模型中，计算所述可疑交易主体的异常风险值。
一种可选的实施例中，所述无监督学习模型为孤立森林算法模型；所述计算模块，具体用于根据以下方式训练得到所述孤立森林算法模型：
确定训练时间段内的训练交易流水，所述训练交易流水未标注标签；
根据所述训练交易流水，确定任一训练样本的多维度异常特征的特征向量；
通过均匀分布有放回随机抽样，将所有训练样本划分为T个训练样本集；
基于孤立森林算法，根据训练样本的特征向量，生成T个随机二叉树，其中一个随机二叉树对应于一个训练样本集。
一种可选的实施例中，所述计算模块，具体用于：
针对所述T个随机二叉树中的任一随机二叉树，根据所述可疑交易主体的特征向量，确定所述可疑交易主体在所述随机二叉树中匹配的叶子节点；根据所述可疑交易主体匹配的叶子节点，计算所述可疑交易主体在所述随机二叉树中的节点深度；
利用所述可疑交易主体在任一随机二叉树中的节点深度，计算所述可疑交易主体的平均深度；
根据所述可疑交易主体的平均深度，确定所述可疑交易主体的异常风险值。
一种可选的实施例中，所述计算模块，具体用于利用以下公式计算所述可疑交易主体的异常风险值：
其中，Score(x,n)为所述可疑交易主体的异常风险值；n为一个训练样本集中的训练样本的数量；h(x)为训练样本x在一棵随机二叉树中的节点深度；C(n)为所有随机二叉树的平均路径长度；E(h(x))为训练样本x在所有随机二叉树中的平均高度。
一种可选的实施例中，还包括输出模块，用于：
将所述可疑交易主体的异常风险值与阈值相比较，若所述可疑交易主体的异常风险值大于所述阈值，则将所述可疑交易主体作为洗钱主体进行输出。
本发明实施例还提供一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。
本发明实施例还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上所述的方法。
本发明实施例中，获取监测时间段内的监测交易流水。根据监测交易流水生成交易有向图，从交易有向图中确定可疑交易社团，其中一个可疑交易社团中包含多个可疑交易主体。针对任一可疑交易主体，根据可疑交易主体的监测交易流水，利用异常交易算法模型计算可疑交易主体的异常风险值，异常交易算法模型将可疑交易主体与不依靠标签进行聚类得到的训练样本集相类比。由于金融机构异常交易场景下，有明确判别出异常交易的结果反馈的真实案例数量有限，因此无法依靠标签反应出所有异常交易案例。本发明实施例中，通过交易流水从所有交易主体中确定可疑交易社团，初步筛选出具有异常交易可能性的可疑交易主体，再对可疑交易主体进一步分析，不依靠标签对可疑交易主体的异常交易风险进行计算，相较于传统的基于规则的异常交易监测方法，无需明确的黑白标签，可以高效快速的找出异常交易风险高的可疑交易主体，更贴合异常交易的案例反馈少且不准确的特点，增加了对异常交易行为的识别能力，提高了对异常交易账户的侦测能力。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种交易监测方法的流程示意图；
图2为本发明实施例中一种交易有向图的示意图；
图3为本发明实施例中一种可疑交易社团的示意图；
图4为本发明实施例中另一种可疑交易社团的示意图；
图5为本发明具体实施例提供的一种反洗钱监测方法的流程示意图；
图6为本发明实施例提供的一种交易监测装置的结构示意图；
图7为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例提供了一种交易监测方法，适用于依据交易数据筛选出洗钱、非法购汇、恐怖融资等非法交易场景。以下内容本发明实施例以反洗钱监测为例进行描述，不代表本发明实施例中的方法仅适用于反洗钱监测。
如图1所示，本发明实施例提供的交易监测方法，包括以下步骤：
步骤101、获取监测时间段内的监测交易流水。
上述步骤101中，监测时间段根据反洗钱监测要求的具体情况而定，可以为连续几日、几周或几月等，本发明实施例对此不做限定。
监测交易流水为包含转入转出信息的被监测账户的交易数据，交易数据包含但不限于转入银行卡、转出银行卡、交易金额、交易日期、交易时间、交易类型、交易商户、转入银行卡发卡机构、转出银行卡发卡机构等信息。
步骤102、利用所述监测交易流水形成交易有向图，从所述交易有向图中确定可疑交易社团，其中一个可疑交易社团中包含多个可疑交易主体。
上述步骤102中，交易有向图如图2所示，以交易主体为银行卡为例，转入银行卡或转出银行卡为点，银行卡之间的交易为边，以箭头表明交易流向，从而形成具有交易关系的有向图。其中，交易主体不限于银行卡，也可以为企业账户、个人账户等。
步骤103、针对任一可疑交易主体，根据所述可疑交易主体的监测交易流水，利用异常交易算法模型计算所述可疑交易主体的异常风险值，所述异常交易算法模型将所述可疑交易主体与不依靠标签进行聚类得到的训练样本集相类比。
可选的，本发明实施例还包括步骤104、将所述可疑交易主体的异常风险值与阈值相比较，若所述可疑交易主体的异常风险值大于所述阈值，则将所述可疑交易主体作为洗钱主体进行输出。
本发明实施例中，获取监测时间段内的监测交易流水。根据监测交易流水生成交易有向图，从交易有向图中确定可疑交易社团，其中一个可疑交易社团中包含多个可疑交易主体。针对任一可疑交易主体，根据可疑交易主体的监测交易流水，利用异常交易算法模型计算可疑交易主体的异常风险值，异常交易算法模型将可疑交易主体与不依靠标签进行聚类得到的训练样本集相类比。由于金融机构洗钱场景下，有明确判别出洗钱的结果反馈的真实案例数量有限，因此无法依靠标签反应出所有洗钱案例。本发明实施例中，通过交易流水从所有交易主体中确定可疑交易社团，初步筛选出具有洗钱可能性的可疑交易主体，再对可疑交易主体进一步分析，不依靠标签对可疑交易主体的洗钱风险进行计算，相较于传统的基于规则的反洗钱监测方法，无需明确的黑白标签，可以高效快速的找出洗钱风险高的可疑交易主体，更贴合反洗钱场景的案例反馈少且不准确的特点，增加了对洗钱行为的识别能力，提高了对洗钱账户的侦测能力。
对于洗钱交易，通常会呈现出网络性、聚集性、关联性等特征，可以利用复杂网络分析算法可挖掘出具备这种特征的可疑交易社团。
进一步地，所述利用所述监测交易流水形成交易有向图，从所述交易有向图中确定可疑交易社团，包括：
从所述监测交易流水中获取监测交易主体和监测交易流向；
根据监测交易主体和监测交易流向，构建所述交易有向图，所述交易有向图表明了监测交易主体之间的交易关系；
利用复杂网络分析算法，从所有交易有向图中确定可疑交易社团。
具体来说，监测交易主体可以为银行卡卡号、个人账户账号等，交易有向图表明了监测交易主体之间的交易关系。在所有交易有向图中，通过复杂网络分析算法可以挖掘出一些具有连通关系的交易社团作为可疑交易社团。这里的可疑交易社团可以为如图3所示的，具有复杂资金转移特征的交易社团，也可以为如图4所示的，为三角关系型的交易社团。
上述复杂网络分析算法可以是社团发现类算法，例如Tarjan算法、TriangleCount算法等，也可以是PageRank算法、Harmonic算法等中心度类算法。
若利用社团发现类算法，可以直接筛选出可疑交易社团。例如可以通过Tarjan算法确定如图3所示的可疑交易社团，或者可以通过Triangle Count算法筛选出如图4所示的可疑交易社团。
若利用中心度算法，可以间接筛选出可疑交易社团。具体为计算交易有向图中每个交易主体的中心度，排除中心度过小或涉及交易对手方过多的交易主体，保留剩余交易主体之间的关联关系，从而间接筛选出可疑交易社团。
本发明实施例中的复杂网络分析算法可以是上述算法的组合，也可以是单独使用其中某一种算法，无特殊限制。
进一步地，本发明实施例从所有交易有向图得到多个交易社团后，还需剔除节点较少或交易规模较小的交易社团，将剩下的交易社团作为可疑交易社团。
本发明实施例利用复杂网络分析算法对监测交易流水进行初筛，筛选出具备关联关系的可疑交易社团，用于进一步分析。通过复杂网络分析算法，不仅将关注点集中在具有特定关联性的交易主体上，增加了后续筛选的针对性和准确性，还能缩小计算范围，从而在一定程度上减少了计算量。
本发明实施例利用复杂网络分析算法筛选出可疑交易社团，但可疑交易社团中可能会误含一些正常交易行为(例如工资发放、购房资金汇集等)，或正常账户(例如电信诈骗中的受害者账户，这些受害者账户会往犯罪分子账户转账等)的交易主体。
因此，如果将可疑交易社团中的所有可疑交易主体都当作异常交易主体，会出现误判。因此，需要进一步对可疑交易社团中的各个可疑交易主体进行分辨。
典型洗钱主体通常会呈现与正常交易主体不同的异常行为，如资金快进快出、集中转入分散转出等。基于此，本发明实施通过异常交易算法模型对可疑交易社团中的可疑交易主体进行洗钱风险评估，进而从可疑交易主体中进一步筛选出洗钱主体。
由于金融场景中，有明确结果反馈的洗钱案例有限，难以得到足够数量和类型的有标签的训练样本，因此本发明实施例中洗钱算法模型为无监督学习模型。无监督学习模型不需要明确的标签，相对于有监督学习模型，更贴合反洗钱场景案例反馈较少或不准确的特点。
进一步地，上述步骤103，根据所述可疑交易主体的监测交易流水，利用异常交易算法模型，计算所述可疑交易主体的异常风险值，包括：
根据所述可疑交易主体的监测交易流水，确定所述可疑交易主体的多维度异常特征的特征向量；所述多维度异常特征为根据可疑异常交易规则预先规定的多个异常交易特征；
将所述可疑交易主体的特征向量输入所述无监督学习模型中，计算所述可疑交易主体的异常风险值。
具体实施过程中，多维度异常特征为根据反洗钱法律法规、监管文件中规定的可疑洗钱规则，以及具体洗钱案例中的洗钱特征，预设的特征算子。以银行卡举例来说，多维度异常特征包括但不限于：转入账户数、转入账户地区数、累计转入金额、转入账户是否包含对公账户、转出账户数、账户所属地区、累计转出金额、转出账户地区数、消费交易笔数、消费商户数、消费商户地区数、累计消费交易金额、消费涉及高危洗钱地区商户数、消费涉及高危洗钱地区累计金额、入账笔数、入账累计金额、ATM(自动取款机，Automatic TellerMachine)取现累计金额、ATM取现涉及收单银行数、ATM取现涉及高危洗钱地区累计金额、余额查询笔数等。
需要说明的是，上述多维度异常特征包含连续特征、离散特征，在将特征向量输入无监督学习模型之前，需进行预处理。对于离散特征，如银行卡所属地区，可采用独热编码(即One-Hot编码)的方式对特征向量进行标签向量化。其它特征向量预处理过程不再赘述。
本发明实施例将可疑交易主体的多维度异常特征的特征向量输入无监督学习模型中，生成识别结果。其中生成的识别结果与采用的模型有关，无监督学习模型可以为孤立森林(Isolation Forest)模型、主成分分析(Principal Component Analysis，PCA)模型、基于密度的聚类算法(Dbscan)等。本发明实施例中采用孤立森林算法模型。
本发明实施例中的孤立森林算法模型根据以下方式训练：
确定训练时间段内的训练交易流水，所述训练交易流水未标注标签；
根据所述训练交易流水，确定任一训练样本的多维度异常特征的特征向量；
通过均匀分布有放回随机抽样，将所有训练样本划分为T个训练样本集；
基于孤立森林算法，根据训练样本的特征向量，生成T个随机二叉树，其中一个随机二叉树对应于一个训练样本集。
具体实施过程中，可以预先利用训练样本训练出孤立森林模型，需要进行反洗钱监测时，利用训练好的孤立森林模型筛选出洗钱主体；也可以在需要进行反洗钱监测时，实时获取训练样本，训练出孤立森林模型，再将可疑交易主体的特征向量输入孤立森林模型中，计算得到异常风险值。
孤立森林算法模型可以用来发现数据中的异常点，即容易被孤立的离群点，也可将其理解为分布稀疏且离密度高的群体较远的点。具体为，预先收集训练时间段内多个交易主体的训练交易流水，将一个交易主体作为一个训练样本，基于多维度异常特征计算出每个训练样本的特征向量。通过均匀分布有放回随机抽样，将所有训练样本划分为T个训练样本集。针对每个训练样本集，随机抽取一个多维度异常特征作为根节点分类特征，并在该多维度异常特征的最大值和最小值形成的连续区间内随机选取分裂点。将该训练样本集中特征向量大于分裂点的训练样本作为根节点的右子树样本，将该训练样本集中特征向量小于分裂点的样本作为根节点的左子树样本。针对左右两棵子树，从余下的多维度异常特征中随机抽取一个作为分类特征，随机选取分裂点，将左右两棵子树中的任一棵再分裂为两棵子树。对子树中的训练样本重复迭代上述步骤，直至叶节点中的训练样本不可分，则针对一个训练样本集的随机二叉树构建完毕。重复上述过程，直至形成T棵随机二叉树，其中一个随机二叉树对应于一个训练样本集。
本发明实施例中，利用孤立森林算法模型生成T棵随机二叉树后，可以将可疑交易主体的特征向量输入孤立森林算法模型中，计算可疑交易主体的异常风险值。所述将所述可疑交易主体的特征向量输入所述无监督学习模型中，计算所述可疑交易主体的异常风险值，包括：
针对所述T个随机二叉树中的任一随机二叉树，根据所述可疑交易主体的特征向量，确定所述可疑交易主体在所述随机二叉树中匹配的叶子节点；根据所述可疑交易主体匹配的叶子节点，计算所述可疑交易主体在所述随机二叉树中的节点深度；
利用所述可疑交易主体在任一随机二叉树中的节点深度，计算所述可疑交易主体的平均深度；
根据所述可疑交易主体的平均深度，确定所述可疑交易主体的异常风险值。
具体实施过程中，将可疑交易主体在每一棵随机二叉树中进行匹配，根据可疑交易主体的特征向量，确定可疑交易主体在随机二叉树中对应的叶子节点，根据可疑交易主体的深度，即可疑交易主体所在的叶子节点到根节点的距离，可以计算出该可疑交易主体的异常度。由于洗钱主体相对于正常交易主体，数量较小，且一般会呈现出不同的异常行为，如资金快进快出、集中转入分散转出等，因此，本发明实施例通过孤立森林算法模型可以确定出与正常交易主体不同的异常主体。在孤立森林算法模型中，异常主体的深度一般较小，即在每棵随机二叉树中会很快被划分到叶子节点，因此可以用叶子节点到根节点的平均路径长度来刻画交易主体的异常程度，即可疑交易主体的异常风险值。
具体来说，本发明实施例中，可疑交易主体的异常风险值可以利用以下公式进行计算：
其中，Score(x,n)为所述可疑交易主体的异常风险值；n为一个训练样本集中的训练样本的数量；h(x)为训练样本x在一棵随机二叉树中的节点深度，即训练样本x从一棵随机二叉树中的根节点到叶子节点所经过的边的数量；C(n)为所有随机二叉树的路径长度的平均值；E(h(x))为训练样本x在所有随机二叉树中的平均高度。
上述所有随机二叉树的平均路径长度满足以下公式：
其中H(k)为调和数，该值为ln(k)+0.5772156649；C(n)为给定训练样本的数量n时，所有随机二叉树的路径长度的平均值，用来标准化训练样本x的节点深度h(x)。
本发明实施例利用公式1得到可疑交易主体的异常风险值，用于对可疑交易主体的洗钱可疑度打分。异常风险值越高，表明可疑交易主体与正常交易主体的差别越大，则该可疑交易主体为洗钱主体的可能性越大。
为了更清楚地理解本发明，下面以交易主体为银行卡，异常交易为洗钱行为对上述流程进行详细描述，具体实施例提供的一种反洗钱监测方法的步骤如图5所示，包括：
步骤501：获取监测时间段内监测交易流水。监测交易流水包含但不限于转入银行卡、转出银行卡、交易金额、交易时间等信息。
步骤502：从监测交易流水中确定银行卡和监测交易流向。其中，转入银行卡和转出银行卡为交易主体，交易流向为交易行为。
步骤503：根据监测银行卡和监测交易流向，构建交易有向图。以转入银行卡或转出银行卡为点，每笔交易为边，构建具有交易关系的有向图。
步骤504：利用复杂网络分析算法，从所有交易有向图中确定可疑交易社团，每个可疑交易社团中包含多个可疑银行卡。
步骤505：抽取可疑交易社团中所有可疑银行卡的历史交易流水。其中，历史交易流水的字段包括但不限于转入银行卡、转出银行卡、交易金额、交易日期、交易时间、交易类型、交易商户、转入银行卡发卡机构、转出银行卡发卡机构等字段。
步骤506：根据历史交易流水计算每张可疑银行卡的多维度洗钱特征的特征向量。其中，多维度洗钱特征包括但不限于：转入银行卡数、转入银行卡地区数、累计转入金额、转入银行卡是否包含对公银行卡、转出银行卡数、银行卡所属地区、累计转出金额、转出银行卡地区数、消费交易笔数、消费商户数、消费商户地区数、累计消费交易金额、消费涉及高危洗钱地区商户数、消费涉及高危洗钱地区累计金额、入账笔数、入账累计金额、ATM取现累计金额、ATM取现涉及收单银行数、ATM取现涉及高危洗钱地区累计金额、余额查询笔数等。
步骤507：将可疑银行卡的多维度洗钱特征的特征向量输入孤立森林算法，计算得到可疑银行卡的洗钱风险值。这里的孤立森林算法为预先训练得到。
步骤508：将可疑银行卡的洗钱风险值与阈值相比较，若可疑银行卡的洗钱风险值大于阈值，则将可疑银行卡作为洗钱银行卡进行输出。
本发明实施例还提供了一种反洗钱监测装置，如图6所示，包括：
获取模块601，用于获取监测时间段内的监测交易流水；
初筛模块602，用于利用所述监测交易流水形成交易有向图，从所述交易有向图中确定可疑交易社团，其中一个可疑交易社团中包含多个可疑交易主体；
计算模块603，用于针对任一可疑交易主体，根据所述可疑交易主体的监测交易流水，利用异常交易算法模型计算所述可疑交易主体的异常风险值，所述异常交易算法模型将所述可疑交易主体与不依靠标签进行聚类得到的训练样本集相类比。
进一步，所述初筛模块602，具体用于：
从所述监测交易流水中获取监测交易主体和监测交易流向；
根据监测交易主体和监测交易流向，构建所述交易有向图，所述交易有向图表明了监测交易主体之间的交易关系；
利用复杂网络分析算法，从所有交易有向图中确定可疑交易社团。
进一步，所述异常交易算法模型为无监督学习模型；
所述计算模块603，具体用于：
根据所述可疑交易主体的监测交易流水，确定所述可疑交易主体的多维度异常特征的特征向量；所述多维度异常特征为根据可疑异常交易规则预先规定的多个异常交易特征；
将所述可疑交易主体的特征向量输入所述无监督学习模型中，计算所述可疑交易主体的异常风险值。
进一步，所述无监督学习模型为孤立森林算法模型；所述计算模块603，具体用于根据以下方式训练得到所述孤立森林算法模型：
确定训练时间段内的训练交易流水，所述训练交易流水未标注标签；
根据所述训练交易流水，确定任一训练样本的多维度异常特征的特征向量；
通过均匀分布有放回随机抽样，将所有训练样本划分为T个训练样本集；
基于孤立森林算法，根据训练样本的特征向量，生成T个随机二叉树，其中一个随机二叉树对应于一个训练样本集。
进一步，所述计算模块603，具体用于：
针对所述T个随机二叉树中的任一随机二叉树，根据所述可疑交易主体的特征向量，确定所述可疑交易主体在所述随机二叉树中匹配的叶子节点；根据所述可疑交易主体匹配的叶子节点，计算所述可疑交易主体在所述随机二叉树中的节点深度；
利用所述可疑交易主体在任一随机二叉树中的节点深度，计算所述可疑交易主体的平均深度；
根据所述可疑交易主体的平均深度，确定所述可疑交易主体的异常风险值。
进一步，所述计算模块603，具体用于利用以下公式计算所述可疑交易主体的异常风险值：
其中，Score(x,n)为所述可疑交易主体的异常风险值；n为一个训练样本集中的训练样本的数量；h(x)为训练样本x在一棵随机二叉树中的节点深度；C(n)为所有随机二叉树的平均路径长度；E(h(x))为训练样本x在所有随机二叉树中的平均高度。
进一步，还包括输出模块604，用于：
将所述可疑交易主体的异常风险值与阈值相比较，若所述可疑交易主体的异常风险值大于所述阈值，则将所述可疑交易主体作为异常交易主体进行输出。
基于相同的原理，本发明还提供一种电子设备，如图7所示，包括：
包括处理器701、存储器702、收发机703、总线接口704，其中处理器701、存储器702与收发机703之间通过总线接口704连接；
所述处理器701，用于读取所述存储器702中的程序，执行下列方法：
获取监测时间段内的监测交易流水；
利用所述监测交易流水形成交易有向图，从所述交易有向图中确定可疑交易社团，其中一个可疑交易社团中包含多个可疑交易主体；
针对任一可疑交易主体，根据所述可疑交易主体的监测交易流水，利用异常交易算法模型计算所述可疑交易主体的异常风险值，所述异常交易算法模型将所述可疑交易主体与不依靠标签进行聚类得到的训练样本集相类比。
进一步地，所述处理器701具体用于：
从所述监测交易流水中获取监测交易主体和监测交易流向；
根据监测交易主体和监测交易流向，构建所述交易有向图，所述交易有向图表明了监测交易主体之间的交易关系；
利用复杂网络分析算法，从所有交易有向图中确定可疑交易社团。
进一步地，所述异常交易算法模型为无监督学习模型；所述处理器701具体用于：
根据所述可疑交易主体的监测交易流水，确定所述可疑交易主体的多维度异常特征的特征向量；所述多维度异常特征为根据可疑异常交易规则预先规定的多个异常交易特征；
将所述可疑交易主体的特征向量输入所述无监督学习模型中，计算所述可疑交易主体的异常风险值。
进一步地，所述无监督学习模型为孤立森林算法模型，所述处理器701具体用于根据以下方式训练孤立森林算法模型：
确定训练时间段内的训练交易流水，所述训练交易流水未标注标签；
根据所述训练交易流水，确定任一训练样本的多维度异常特征的特征向量；
通过均匀分布有放回随机抽样，将所有训练样本划分为T个训练样本集；
基于孤立森林算法，根据训练样本的特征向量，生成T个随机二叉树，其中一个随机二叉树对应于一个训练样本集。
进一步地，所述处理器701具体用于：
针对所述T个随机二叉树中的任一随机二叉树，根据所述可疑交易主体的特征向量，确定所述可疑交易主体在所述随机二叉树中匹配的叶子节点；根据所述可疑交易主体匹配的叶子节点，计算所述可疑交易主体在所述随机二叉树中的节点深度；
利用所述可疑交易主体在任一随机二叉树中的节点深度，计算所述可疑交易主体的平均深度；
根据所述可疑交易主体的平均深度，确定所述可疑交易主体的异常风险值。
进一步地，所述处理器701具体用于利用以下公式计算所述可疑交易主体的异常风险值：
其中，Score(x,n)为所述可疑交易主体的异常风险值；n为一个训练样本集中的训练样本的数量；h(x)为训练样本x在一棵随机二叉树中的节点深度；C(n)为所有随机二叉树的平均路径长度；E(h(x))为训练样本x在所有随机二叉树中的平均高度。
进一步地，所述处理器701具体用于：
将所述可疑交易主体的异常风险值与阈值相比较，若所述可疑交易主体的异常风险值大于所述阈值，则将所述可疑交易主体作为异常交易主体进行输出。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (16)
1.一种交易监测方法，其特征在于，包括：
获取监测时间段内的监测交易流水；
利用所述监测交易流水形成交易有向图，从所述交易有向图中确定可疑交易社团，其中一个可疑交易社团中包含多个可疑交易主体；
针对任一可疑交易主体，根据所述可疑交易主体的监测交易流水，利用异常交易算法模型计算所述可疑交易主体的异常风险值，所述异常交易算法模型将所述可疑交易主体与不依靠标签进行聚类得到的训练样本集相类比。
2.如权利要求1所述的方法，其特征在于，所述利用所述监测交易流水形成交易有向图，从所述交易有向图中确定可疑交易社团，包括：
从所述监测交易流水中获取监测交易主体和监测交易流向；
根据监测交易主体和监测交易流向，构建所述交易有向图，所述交易有向图表明了监测交易主体之间的交易关系；
利用复杂网络分析算法，从所有交易有向图中确定可疑交易社团。
3.如权利要求1所述的方法，其特征在于，所述异常交易算法模型为无监督学习模型；
所述根据所述可疑交易主体的监测交易流水，利用异常交易算法模型，计算所述可疑交易主体的异常风险值，包括：
根据所述可疑交易主体的监测交易流水，确定所述可疑交易主体的多维度异常特征的特征向量；所述多维度异常特征为根据可疑异常交易规则预先规定的多个异常交易特征；
将所述可疑交易主体的特征向量输入所述无监督学习模型中，计算所述可疑交易主体的异常风险值。
4.如权利要求3所述的方法，其特征在于，所述无监督学习模型为孤立森林算法模型，所述孤立森林算法模型根据以下方式训练：
确定训练时间段内的训练交易流水，所述训练交易流水未标注标签；
根据所述训练交易流水，确定任一训练样本的多维度异常特征的特征向量；
通过均匀分布有放回随机抽样，将所有训练样本划分为T个训练样本集；
基于孤立森林算法，根据训练样本的特征向量，生成T个随机二叉树，其中一个随机二叉树对应于一个训练样本集。
5.如权利要求4所述的方法，其特征在于，所述将所述可疑交易主体的特征向量输入所述无监督学习模型中，计算所述可疑交易主体的异常风险值，包括：
针对所述T个随机二叉树中的任一随机二叉树，根据所述可疑交易主体的特征向量，确定所述可疑交易主体在所述随机二叉树中匹配的叶子节点；根据所述可疑交易主体匹配的叶子节点，计算所述可疑交易主体在所述随机二叉树中的节点深度；
利用所述可疑交易主体在任一随机二叉树中的节点深度，计算所述可疑交易主体的平均深度；
根据所述可疑交易主体的平均深度，确定所述可疑交易主体的异常风险值。
6.如权利要求4或5所述的方法，其特征在于，所述可疑交易主体的异常风险值利用以下公式进行计算：
其中，Score(x,n)为所述可疑交易主体的异常风险值；n为一个训练样本集中的训练样本的数量；h(x)为训练样本x在一棵随机二叉树中的节点深度；C(n)为所有随机二叉树的平均路径长度；E(h(x))为训练样本x在所有随机二叉树中的平均高度。
7.如权利要求1至5任一项所述的方法，其特征在于，所述计算所述可疑交易主体的异常风险值之后，还包括：
将所述可疑交易主体的异常风险值与阈值相比较，若所述可疑交易主体的异常风险值大于所述阈值，则将所述可疑交易主体作为异常交易主体进行输出。
8.一种交易监测装置，其特征在于，包括：
获取模块，用于获取监测时间段内的监测交易流水；
初筛模块，用于利用所述监测交易流水形成交易有向图，从所述交易有向图中确定可疑交易社团，其中一个可疑交易社团中包含多个可疑交易主体；
计算模块，用于针对任一可疑交易主体，根据所述可疑交易主体的监测交易流水，利用异常交易算法模型计算所述可疑交易主体的异常风险值，所述异常交易算法模型将所述可疑交易主体与不依靠标签进行聚类得到的训练样本集相类比。
9.如权利要求8所述的装置，其特征在于，所述初筛模块，具体用于：
从所述监测交易流水中获取监测交易主体和监测交易流向；
根据监测交易主体和监测交易流向，构建所述交易有向图，所述交易有向图表明了监测交易主体之间的交易关系；
利用复杂网络分析算法，从所有交易有向图中确定可疑交易社团。
10.如权利要求8所述的装置，其特征在于，所述异常交易算法模型为无监督学习模型；
所述计算模块，具体用于：
根据所述可疑交易主体的监测交易流水，确定所述可疑交易主体的多维度异常特征的特征向量；所述多维度异常特征为根据可疑异常交易规则预先规定的多个异常交易特征；
将所述可疑交易主体的特征向量输入所述无监督学习模型中，计算所述可疑交易主体的异常风险值。
11.如权利要求10所述的装置，其特征在于，所述无监督学习模型为孤立森林算法模型；所述计算模块，具体用于根据以下方式训练得到所述孤立森林算法模型：
确定训练时间段内的训练交易流水，所述训练交易流水未标注标签；
根据所述训练交易流水，确定任一训练样本的多维度异常特征的特征向量；
通过均匀分布有放回随机抽样，将所有训练样本划分为T个训练样本集；
基于孤立森林算法，根据训练样本的特征向量，生成T个随机二叉树，其中一个随机二叉树对应于一个训练样本集。
12.如权利要求11所述的装置，其特征在于，所述计算模块，具体用于：
针对所述T个随机二叉树中的任一随机二叉树，根据所述可疑交易主体的特征向量，确定所述可疑交易主体在所述随机二叉树中匹配的叶子节点；根据所述可疑交易主体匹配的叶子节点，计算所述可疑交易主体在所述随机二叉树中的节点深度；
利用所述可疑交易主体在任一随机二叉树中的节点深度，计算所述可疑交易主体的平均深度；
根据所述可疑交易主体的平均深度，确定所述可疑交易主体的异常风险值。
13.如权利要求11或12所述的装置，其特征在于，所述计算模块，具体用于利用以下公式计算所述可疑交易主体的异常风险值：
其中，Score(x,n)为所述可疑交易主体的异常风险值；n为一个训练样本集中的训练样本的数量；h(x)为训练样本x在一棵随机二叉树中的节点深度；C(n)为所有随机二叉树的平均路径长度；E(h(x))为训练样本x在所有随机二叉树中的平均高度。
14.如权利要求8至12任一项所述的装置，其特征在于，还包括输出模块，用于：
将所述可疑交易主体的异常风险值与阈值相比较，若所述可疑交易主体的异常风险值大于所述阈值，则将所述可疑交易主体作为异常交易主体进行输出。
15.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7任一所述的方法。
16.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1～7任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910212818.2A CN109948704A (zh) | 2019-03-20 | 2019-03-20 | 一种交易监测方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910212818.2A CN109948704A (zh) | 2019-03-20 | 2019-03-20 | 一种交易监测方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109948704A true CN109948704A (zh) | 2019-06-28 |
Family
ID=67011213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910212818.2A Pending CN109948704A (zh) | 2019-03-20 | 2019-03-20 | 一种交易监测方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948704A (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110490730A (zh) * | 2019-08-21 | 2019-11-22 | 北京顶象技术有限公司 | 异常资金聚集行为检测方法、装置、设备及存储介质 |
| CN110533112A (zh) * | 2019-09-04 | 2019-12-03 | 天津神舟通用数据技术有限公司 | 车联网大数据跨域分析融合方法 |
| CN110533108A (zh) * | 2019-09-02 | 2019-12-03 | 四川长虹电器股份有限公司 | 一种基于孤立森林算法的销量异常值检测方法 |
| CN110728570A (zh) * | 2019-09-30 | 2020-01-24 | 珠海市新德汇信息技术有限公司 | 反诈资金分析方法 |
| CN111091414A (zh) * | 2019-11-28 | 2020-05-01 | 公安部第三研究所 | 基于孤立森林模型实现烟草销售异常行为检测的方法 |
| CN111090780A (zh) * | 2019-12-09 | 2020-05-01 | 中国建设银行股份有限公司 | 可疑交易信息的确定方法及装置、存储介质、电子设备 |
| CN111242763A (zh) * | 2020-01-07 | 2020-06-05 | 北京明略软件系统有限公司 | 一种目标用户群的确定方法及装置 |
| CN111292119A (zh) * | 2020-01-15 | 2020-06-16 | 杭州数澜科技有限公司 | 一种筛选疑似非法组织的方法和系统 |
| CN111340086A (zh) * | 2020-02-21 | 2020-06-26 | 同济大学 | 无标签数据的处理方法、系统、介质及终端 |
| CN111353891A (zh) * | 2020-03-30 | 2020-06-30 | 中国工商银行股份有限公司 | 资金交易数据中可疑团伙的识别辅助方法及装置 |
| CN111444189A (zh) * | 2020-04-17 | 2020-07-24 | 贝壳技术有限公司 | 数据处理方法、装置、介质和电子设备 |
| CN111476662A (zh) * | 2020-04-13 | 2020-07-31 | 中国工商银行股份有限公司 | 反洗钱识别方法及装置 |
| CN111798312A (zh) * | 2019-08-02 | 2020-10-20 | 深圳索信达数据技术有限公司 | 一种基于孤立森林算法的金融交易系统异常识别方法 |
| CN112258195A (zh) * | 2020-10-23 | 2021-01-22 | 平安科技（深圳）有限公司 | 一种交易数据的处理方法、装置、计算机设备及存储介质 |
| CN112581271A (zh) * | 2020-12-21 | 2021-03-30 | 上海浦东发展银行股份有限公司 | 一种商户交易风险监测方法、装置、设备及存储介质 |
| CN112668614A (zh) * | 2020-12-11 | 2021-04-16 | 浙江成功软件开发有限公司 | 一种反洗钱研判方法 |
| CN112711577A (zh) * | 2020-12-17 | 2021-04-27 | 航天信息股份有限公司 | 一种异常交易企业识别方法及装置 |
| CN113191072A (zh) * | 2021-03-30 | 2021-07-30 | 中国建设银行股份有限公司 | 基于纵向联邦逻辑回归的可疑交易监测方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105931046A (zh) * | 2015-12-16 | 2016-09-07 | 中国银联股份有限公司 | 一种可疑交易节点集合侦测方法及装置 |
| CN106897931A (zh) * | 2016-06-12 | 2017-06-27 | 阿里巴巴集团控股有限公司 | 一种异常交易数据的识别方法及装置 |
| CN107403072A (zh) * | 2017-08-07 | 2017-11-28 | 北京工业大学 | 一种基于机器学习的2型糖尿病预测预警方法 |
| CN107944479A (zh) * | 2017-11-16 | 2018-04-20 | 哈尔滨工业大学 | 基于半监督学习的疾病预测模型建立方法及装置 |
| CN108280755A (zh) * | 2018-02-28 | 2018-07-13 | 阿里巴巴集团控股有限公司 | 可疑洗钱团伙的识别方法和识别装置 |
| CN108777873A (zh) * | 2018-06-04 | 2018-11-09 | 江南大学 | 基于加权混合孤立森林的无线传感网络异常数据检测方法 |
| CN109086975A (zh) * | 2018-07-10 | 2018-12-25 | 阿里巴巴集团控股有限公司 | 一种交易风险的识别方法和装置 |
-
2019
- 2019-03-20 CN CN201910212818.2A patent/CN109948704A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105931046A (zh) * | 2015-12-16 | 2016-09-07 | 中国银联股份有限公司 | 一种可疑交易节点集合侦测方法及装置 |
| CN106897931A (zh) * | 2016-06-12 | 2017-06-27 | 阿里巴巴集团控股有限公司 | 一种异常交易数据的识别方法及装置 |
| CN107403072A (zh) * | 2017-08-07 | 2017-11-28 | 北京工业大学 | 一种基于机器学习的2型糖尿病预测预警方法 |
| CN107944479A (zh) * | 2017-11-16 | 2018-04-20 | 哈尔滨工业大学 | 基于半监督学习的疾病预测模型建立方法及装置 |
| CN108280755A (zh) * | 2018-02-28 | 2018-07-13 | 阿里巴巴集团控股有限公司 | 可疑洗钱团伙的识别方法和识别装置 |
| CN108777873A (zh) * | 2018-06-04 | 2018-11-09 | 江南大学 | 基于加权混合孤立森林的无线传感网络异常数据检测方法 |
| CN109086975A (zh) * | 2018-07-10 | 2018-12-25 | 阿里巴巴集团控股有限公司 | 一种交易风险的识别方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 张昊等: "基于改进随机森林的洗钱交易角色识别应用", 《计算机与现代化》 * |
| 李欣月等: "基于聚类算法的金融交易离群点识别", 《电子技术》 * |
| 金文进等: "异常检测技术研究综述", 《软件导刊》 * |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111798312B (zh) * | 2019-08-02 | 2024-03-01 | 深圳索信达数据技术有限公司 | 一种基于孤立森林算法的金融交易系统异常识别方法 |
| CN111798312A (zh) * | 2019-08-02 | 2020-10-20 | 深圳索信达数据技术有限公司 | 一种基于孤立森林算法的金融交易系统异常识别方法 |
| CN110490730A (zh) * | 2019-08-21 | 2019-11-22 | 北京顶象技术有限公司 | 异常资金聚集行为检测方法、装置、设备及存储介质 |
| CN110490730B (zh) * | 2019-08-21 | 2022-07-26 | 北京顶象技术有限公司 | 异常资金聚集行为检测方法、装置、设备及存储介质 |
| CN110533108A (zh) * | 2019-09-02 | 2019-12-03 | 四川长虹电器股份有限公司 | 一种基于孤立森林算法的销量异常值检测方法 |
| CN110533112A (zh) * | 2019-09-04 | 2019-12-03 | 天津神舟通用数据技术有限公司 | 车联网大数据跨域分析融合方法 |
| CN110533112B (zh) * | 2019-09-04 | 2023-04-07 | 天津神舟通用数据技术有限公司 | 车联网大数据跨域分析融合方法 |
| CN110728570A (zh) * | 2019-09-30 | 2020-01-24 | 珠海市新德汇信息技术有限公司 | 反诈资金分析方法 |
| CN110728570B (zh) * | 2019-09-30 | 2023-04-28 | 珠海市新德汇信息技术有限公司 | 反诈资金分析方法 |
| CN111091414A (zh) * | 2019-11-28 | 2020-05-01 | 公安部第三研究所 | 基于孤立森林模型实现烟草销售异常行为检测的方法 |
| CN111090780A (zh) * | 2019-12-09 | 2020-05-01 | 中国建设银行股份有限公司 | 可疑交易信息的确定方法及装置、存储介质、电子设备 |
| CN111090780B (zh) * | 2019-12-09 | 2023-05-26 | 建信金融科技有限责任公司 | 可疑交易信息的确定方法及装置、存储介质、电子设备 |
| CN111242763A (zh) * | 2020-01-07 | 2020-06-05 | 北京明略软件系统有限公司 | 一种目标用户群的确定方法及装置 |
| CN111292119A (zh) * | 2020-01-15 | 2020-06-16 | 杭州数澜科技有限公司 | 一种筛选疑似非法组织的方法和系统 |
| CN111340086A (zh) * | 2020-02-21 | 2020-06-26 | 同济大学 | 无标签数据的处理方法、系统、介质及终端 |
| CN111340086B (zh) * | 2020-02-21 | 2023-07-11 | 同济大学 | 无标签电子交易数据的处理方法、系统、介质及终端 |
| CN111353891A (zh) * | 2020-03-30 | 2020-06-30 | 中国工商银行股份有限公司 | 资金交易数据中可疑团伙的识别辅助方法及装置 |
| CN111476662A (zh) * | 2020-04-13 | 2020-07-31 | 中国工商银行股份有限公司 | 反洗钱识别方法及装置 |
| CN111444189A (zh) * | 2020-04-17 | 2020-07-24 | 贝壳技术有限公司 | 数据处理方法、装置、介质和电子设备 |
| CN112258195A (zh) * | 2020-10-23 | 2021-01-22 | 平安科技（深圳）有限公司 | 一种交易数据的处理方法、装置、计算机设备及存储介质 |
| CN112668614B (zh) * | 2020-12-11 | 2022-11-01 | 浙江成功软件开发有限公司 | 一种反洗钱研判方法 |
| CN112668614A (zh) * | 2020-12-11 | 2021-04-16 | 浙江成功软件开发有限公司 | 一种反洗钱研判方法 |
| CN112711577A (zh) * | 2020-12-17 | 2021-04-27 | 航天信息股份有限公司 | 一种异常交易企业识别方法及装置 |
| CN112581271A (zh) * | 2020-12-21 | 2021-03-30 | 上海浦东发展银行股份有限公司 | 一种商户交易风险监测方法、装置、设备及存储介质 |
| CN113191072A (zh) * | 2021-03-30 | 2021-07-30 | 中国建设银行股份有限公司 | 基于纵向联邦逻辑回归的可疑交易监测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948704A (zh) | 一种交易监测方法与装置 | |
| US11263703B2 (en) | Systems and methods for anti-money laundering analysis | |
| Segovia-Vargas | Money laundering and terrorism financing detection using neural networks and an abnormality indicator | |
| Sun et al. | Predicting credit card delinquencies: An application of deep neural networks | |
| Coşer et al. | PREDICTIVE MODELS FOR LOAN DEFAULT RISK ASSESSMENT. | |
| González et al. | Characterization and detection of taxpayers with false invoices using data mining techniques | |
| Kotsiantis et al. | Forecasting fraudulent financial statements using data mining | |
| Abedin et al. | Tax default prediction using feature transformation-based machine learning | |
| CN101714273A (zh) | 一种基于规则引擎的银行异常业务监控方法和系统 | |
| CN108053318A (zh) | 一种对异常交易进行识别的方法及装置 | |
| Golmohammadi et al. | Data mining applications for fraud detection in securities market | |
| Kumar et al. | Comparative analysis for fraud detection using logistic regression, random forest and support vector machine | |
| CN113689218A (zh) | 风险账户的识别方法、装置、计算机设备和存储介质 | |
| Guevara et al. | Machine learning methodologies against money laundering in non-banking correspondents | |
| Gao et al. | Research on default prediction for credit card users based on XGBoost-LSTM model | |
| CN113256121A (zh) | 一种人工智能反洗钱方法与系统 | |
| Palshikar et al. | Financial security against money laundering: A survey | |
| Shah | Developing financial distress prediction models using cutting edge recursive partitioning techniques: a study of Australian mining performance | |
| Hájek et al. | Predicting financial distress of banks using random subspace ensembles of support vector machines | |
| Farzad et al. | Predict the Stock price crash risk by using firefly algorithm and comparison with regression | |
| Kwak et al. | Data mining applications in accounting and finance context | |
| Gozer et al. | Evaluation of insolvency in mutual credit unions by the models of artificial neural networks and support vector machines | |
| Arifah et al. | Artificial Intelligence in Credit Risk Management of Peer-to-Peer Lending Financial Technology: Systematic Literature Review | |
| Lee et al. | Application of machine learning in credit risk scorecard | |
| Terzi et al. | Comparison of financial distress prediction models: Evidence from turkey |
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 |