CN112116478A - 银行反洗钱可疑报告处理方法及装置 - Google Patents
银行反洗钱可疑报告处理方法及装置 Download PDFInfo
- Publication number
- CN112116478A CN112116478A CN202011043660.XA CN202011043660A CN112116478A CN 112116478 A CN112116478 A CN 112116478A CN 202011043660 A CN202011043660 A CN 202011043660A CN 112116478 A CN112116478 A CN 112116478A
- Authority
- CN
- China
- Prior art keywords
- suspicious
- transaction
- data
- report
- neural network
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 125
- 238000004900 laundering Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims description 38
- 238000010606 normalization Methods 0.000 claims description 29
- 238000004140 cleaning Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000012913 prioritisation Methods 0.000 claims description 8
- 230000007812 deficiency Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 5
- 230000002265 prevention Effects 0.000 claims description 4
- 238000011001 backwashing Methods 0.000 claims 2
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 6
- 239000000872 buffer Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了银行反洗钱可疑报告处理方法及装置,方法包括:获取交易数据、可疑交易报告;利用预先训练的BP神经网络模型和所述的交易数据、可疑交易报告进行处理生成银行反洗钱可疑报告处理结果;其中,所述的预先训练的BP神经网络模型为利用已确定的可疑报告优先级结果数据进行BP神经网络模型训练得到的模型。本发明利用神经网络模型对生成的可疑报告进行优先级排序处理,依据反洗钱岗业务人员的实际处理能力以及监管要求,对不同优先级的可疑交易报告进行不同的处理,从而进一步可疑报告的处理效率及速度。
Description
技术领域
本发明涉及数据处理技术,具体的讲是一种银行反洗钱可疑报告处理方法及装置。
背景技术
根据相关规定,银行业金融机构应当履行反洗钱义务,其中就包括:建立可疑交易报告制度。
目前反洗钱可疑报告的来源可以分成三类:第一类是规则模型生成,具体的规则依赖于领域专家对可疑交易核心要素的认识,即专家通过自身的专业知识及经验提取出识别可疑交易的规则。第二类是可疑增录,银行前台工作人员向反洗钱系统上报在为客户办理业务和服务的过程中发现的客户可疑交易或行为,或通过外部信息发现的客户可疑交易。第三类是人工智能模型生成,基于机器学习相关模型识别出可疑交易行为。
对于规则模型生成的报告,根据监管要求,将全部推送到各营业机构的反洗钱岗,反洗钱岗工作人员要对报告涉及的交易进行人工识别判断,排除报告中的非可疑交易;对于人工智能模型生成的报告,会考虑多个方面的因素,通常包括监管机构的要求、反洗钱岗工作人员的处理能力、可疑交易触发的疑似涉罪类型、是否与规则模型的报告重复。为提高预警效率,降低预警量,一般不会将所有人工智能模型生成的可疑报告推送到前端。一种较为常见的做法是截取N份可疑交易报告推送(N值一般根据某些特定字段决定,如交易金额最多的N份)。考虑到人工智能模型在运行一段时间后,会出现有效性降低的情况,此时将产生较多的无效可疑报告。同时,提高模型(规则模型和人工智能模型)的有效性需要一定的时间,因此会出现反洗钱岗位工作人员的处理能力跟不上可疑报告新增速度的情形。因此,需要提高可疑报告的处理速度。
发明内容
为提高对可疑报告的处理速度,至少解决解决现有技术的一问题,本发明提供了一种银行反洗钱可疑报告处理方法,包括:
获取交易数据、可疑交易报告;
利用预先训练的BP神经网络模型和所述的交易数据、可疑交易报告进行处理生成银行反洗钱可疑报告处理结果;其中,所述的预先训练的BP神经网络模型为利用已确定的可疑报告优先级结果数据进行BP神经网络模型训练得到的模型。
本发明实施例中,所述的已确定的可疑报告优先级结果数据包括:已确定优先级的可疑交易报告、对应的交易数据及可疑报告数据的优先级;其中,所述的优先级为根据预设的可疑报告上报方向和/或处理情况确定。
本发明实施例中,所述的利用已确定的可疑报告优先级结果数据进行BP神经网络模型训练包括:
获取确定优先级顺序的可疑交易报告及对应的交易数据;
利用确定优先级顺序的可疑交易报告及对应的交易数据作为模型输入数据,可疑报告优先级作为输出数据进行BP神经网络模型训练。
本发明实施例中,所述的银行反洗钱可疑报告处理结果包括:所述可疑交易报告的优先级排序。
本发明实施例中,所述的利用预先训练的BP神经网络模型和所述的交易数据、可疑交易报告进行处理生成银行反洗钱可疑报告处理结果包括:
对所述的交易数据、可疑交易报告进行数据预处理生成BP神经网络模型的输入数据;
利用预先训练的BP神经网络模型对生成的输入数据进行分类处理确定可疑交易报告的优先级排序。
本发明实施例中,所述的对所述的交易数据、可疑交易报告进行数据预处理生成BP神经网络模型的输入数据包括:
对所述的交易数据、可疑交易报告进行数据清洗;
对清洗过的数据进行数据转换生成离散的交易数据、可疑交易报告的编码数据;
对生成的离散交易数据、可疑交易报告的编码数据进行归一化处理;
对归一化处理后的交易数据、可疑交易报告进行降维处理生成BP神经网络模型的输入数据。
本发明实施例中,所述的对所述的交易数据、可疑交易报告进行数据清洗包括:
对交易数据、可疑交易报告中大于缺失率阈值的字段、大于占比阈值的预设字段和/或字段内容为中文汉字的字段进行剔除处理。
本发明实施例中,所述的对生成的离散的交易数据、可疑交易报告编码数据进行归一化处理包括:
对所述交易数据、可疑交易报告中的类别型数据进行归一化处理;其中,
所述的交易数据中的类别数据的字段包括:公私标识、交易对手方账户类别、资金收付标识、现金及转账标识、代理交易标识、冲账标识、跨境交易标识及交易方式标识。
所述可疑报告中的类别型数据的字段包括:客户银行卡类型、对方金融机构网点代码类型、非柜台交易方式及金融机构与客户的关系。
同时,本发明还提供一种银行反洗钱可疑报告处理装置,包括:
数据获取模块,用于获取交易数据、可疑交易报告;
数据处理模块,用于利用预先训练的BP神经网络模型和所述的交易数据、可疑交易报告进行处理生成银行反洗钱可疑报告处理结果;其中,所述的预先训练的BP神经网络模型为利用已确定的可疑报告优先级结果数据进行BP神经网络模型训练得到的模型。
本发明实施例中,所述的装置还包括:训练模块,用于利用已确定的可疑报告优先级结果数据进行BP神经网络模型训练;其中,所述训练模块包括:
数据获取单元,用于获取确定优先级顺序的可疑交易报告及对应的交易数据;
训练单元,用于利用确定优先级顺序的可疑交易报告及对应的交易数据作为模型输入数据,可疑报告优先级作为输出数据进行BP神经网络模型训练。
本发明实施例中,所述的银行反洗钱可疑报告处理结果包括:所述可疑交易报告的优先级排序。
本发明实施例中,所述的数据处理模块包括:
预处理单元,用于对所述的交易数据、可疑交易报告进行数据预处理生成BP神经网络模型的输入数据;
神经网络模型处理单元,用于利用预先训练的BP神经网络模型对生成的输入数据进行分类处理确定可疑交易报告的优先级排序。
本发明实施例中,所述的预处理单元包括:
清洗单元,用于对所述的交易数据、可疑交易报告进行数据清洗;
离散处理单元,用于对清洗过的数据进行数据转换生成离散的交易数据、可疑交易报告的编码数据;
归一处理单元,用于对生成的离散交易数据、可疑交易报告的编码数据进行归一化处理;
降维处理单元,用于对归一化处理后的交易数据、可疑交易报告进行降维处理生成BP神经网络模型的输入数据。
本发明实施例中,所述的清洗单元对所述的交易数据、可疑交易报告进行数据清洗包括:
对交易数据、可疑交易报告中大于缺失率阈值的字段、大于占比阈值的预设字段和/或字段内容为中文汉字的字段进行剔除处理。
本发明实施例中,所述的归一处理单元对生成的离散的交易数据、可疑交易报告编码数据进行归一化处理包括:
对所述交易数据、可疑交易报告中的类别型数据进行归一化处理;其中,
所述的交易数据中的类别数据的字段包括:公私标识、交易对手方账户类别、资金收付标识、现金及转账标识、代理交易标识、冲账标识、跨境交易标识及交易方式标识。
所述可疑报告中的类别型数据的字段包括:客户银行卡类型、对方金融机构网点代码类型、非柜台交易方式及金融机构与客户的关系。
同时,本发明还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法。
同时,本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有执行上述方法的计算机程序。
本发明利用神经网络模型对生成的可疑报告进行优先级排序,从而依据反洗钱岗业务人员的实际处理能力以及监管要求,对不同优先级的可疑交易报告进行不同的处理,从而减轻工作压力。可优先推送较高优先级的可疑交易报告给反洗钱岗位业务人员,让其优先处理,或者将优先级较高的可疑交易报告分配给经验更为丰富的业务人员,从而进一步可疑报告的处理效率及速度。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种银行反洗钱可疑报告处理方法的流程图;
图2为本发明实施例中的框图;
图3为本发明提供的银行反洗钱可疑报告处理装置的框图;
图4为本发明实施例中的框图;
图5为本发明实施例中的框图;
图6为本发明实施例中的框图;
图7为本发明实施例提供的电子设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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他实施例,都属于本发明保护的范围。
目前,对于规则模型生成的报告,根据监管要求,将全部推送到各营业机构的反洗钱岗,反洗钱岗工作人员要对报告涉及的交易进行人工识别判断,排除报告中的非可疑交易;对于人工智能模型生成的报告,会考虑多个方面的因素,通常包括监管机构的要求、反洗钱岗工作人员的处理能力、可疑交易触发的疑似涉罪类型、是否与规则模型的报告重复。
为提高预警效率,降低预警量,本发明提供一种银行反洗钱可疑报告处理方法,如图1所示,该方法包括:
步骤S101,获取交易数据、可疑交易报告;
步骤S102,利用预先训练的BP神经网络模型和所述的交易数据、可疑交易报告进行处理生成银行反洗钱可疑报告处理结果;其中,预先训练的BP神经网络模型为利用已确定的可疑报告优先级结果数据进行BP神经网络模型训练得到的模型。
本发明实施例中,交易数据、可疑报告通过与银行系统的接口,读取银行系统的《银行业金融机构反洗钱现场检查数据接口规范(试行)》中的基于客户账户的交易数据表和可疑交易报告明细表。
本发明实施例中,已确定的可疑报告优先级结果数据包括:已确定优先级的可疑交易报告、对应的交易数据及可疑报告优先级;其中,可疑报告优先级为根据预设的上报方向确定。
其中,利用已确定的可疑报告优先级结果数据进行BP神经网络模型训练包括:
获取确定优先级顺序的可疑交易报告及对应的交易数据;
利用确定优先级顺序的可疑交易报告及对应的交易数据作为模型输入数据,可疑报告优先级作为输出数据进行BP神经网络模型训练。
本发明实施例中,模型的输入数据来自《银行业金融机构反洗钱现场检查数据接口规范(试行)》中的基于客户账户的交易数据表和可疑交易报告明细表,这两张表包含客户信息、交易信息和交易对手信息。选用基于客户账户的交易数据表和可疑交易报告明细表的原因有两点,一是这两张表包含一笔交易的多个属性的数据,二是因为这两张表是人民银行检查时所提取的数据,所有银行业机构的数据库中都有这两张表,且填写规则一致,这样提高了该方法的适用性。
其中,银行反洗钱可疑报告处理结果包括:可疑交易报告的优先级排序。
利用预先训练的BP神经网络模型和所述的交易数据、可疑交易报告进行处理生成银行反洗钱可疑报告处理结果包括:
对所述的交易数据、可疑交易报告进行数据预处理生成BP神经网络模型的输入数据;
利用预先训练的BP神经网络模型对生成的输入数据进行分类处理确定可疑交易报告的优先级排序。
预先训练BP神经网络模型过程中,其用到的模型的训练集和测试集的输入、输出数据来自已经处理好的可疑交易报告,用已处理过确定的优先级作为输出数据。
具体的,本实施例中可疑报告优先级是根据上报方向和人工处理的情况来确定的,可以进行如下表1所示的划分:
表1
上报方向和人工处理的情况 | 优先级 |
上报方向:反洗钱监测中心、当地人行和当地公安 | 1 |
上报方向:反洗钱监测中心和当地人行 | 2 |
上报方向:反洗钱监测中心 | 3 |
处理情况:初次人工认定为非可疑,最终认定为可疑 | 4 |
处理情况:初次人工认定为非可疑,最终认定为非可疑 | 5 |
本发明旨在划分由模型(包括:规则模型、人工智能模型)生成的可疑报告的优先级,依据预先获取的反洗钱岗业务人员的实际处理能力以及监管要求,对不同优先级的可疑交易报告进行不同的处理,从而减轻工作压力。例如,可优先推送较高优先级的可疑交易报告给反洗钱岗位业务人员,让其优先处理,或者将优先级较高的可疑交易报告分配给经验更为丰富的业务人员。
具体的实施例中,由规则模型生成的全部可疑报告都将推送给前端业务人员,报告优先级影响的是报告的出现顺序,优先级高的报告将率先展示前端业务人员。对于人工智能模型生成的报告,在获得优先级后,将优先级最高的前N份报告推送给前端业务人员(其中N的取值由业务人员的实际处理能力决定),即人工智能模型生成的部分报告会被推送,其余的不会被推送。
具体的,本发明实施例中,对所述的交易数据、可疑交易报告进行数据预处理生成BP神经网络模型的输入数据包括:
对所述的交易数据、可疑交易报告进行数据清洗;
对清洗过的数据进行数据转换生成离散的交易数据、可疑交易报告的编码数据;
对生成的离散交易数据、可疑交易报告的编码数据进行归一化处理;
对归一化处理后的交易数据、可疑交易报告进行降维处理生成BP神经网络模型的输入数据。
另外,本发明实施例中,预先对BP神经网络模型训练的过程中,其利用的训练集、测试集数据也进行上述的数据的预处理生成训练的BP神经网络模型的输入数据。
其中,对所述的交易数据、可疑交易报告进行数据预处理生成BP神经网络模型的输入数据包括:
对所述的交易数据、可疑交易报告进行数据清洗;
对清洗过的数据进行数据转换生成离散的交易数据、可疑交易报告的编码数据;
对生成的离散交易数据、可疑交易报告的编码数据进行归一化处理;
本实施例中,通过《银行业金融机构反洗钱现场检查数据接口规范(试行)》中存在填写规则,已将数据转换成离散的编码数据。
对归一化处理后的交易数据、可疑交易报告进行降维处理生成BP神经网络模型的输入数据。
进一步,所述的对所述的交易数据、可疑交易报告进行数据清洗包括:
对交易数据、可疑交易报告中大于缺失率阈值的字段、大于占比阈值的预设字段和/或字段内容为中文汉字的字段进行剔除处理。
本发明实施例中,数据清洗通过如下操作实现:
对以下预设字段数据做剔除处理,具体包括:
1.缺失率>30%的字段。
2.字段的代码值中存在“@N”,且“@N”占比>30%的字段。根据接口规范的规定,部分字段没有符合要求的数据时,填写替代符“@N”。因此可以将代码值为“@N”的字段视为空值处理。
3.所有字段内容为中文汉字的字段,例如可疑交易报告明细表的“疑点分析”。
进一步,所述的对生成的离散的交易数据、可疑交易报告编码数据进行归一化处理包括:
对所述交易数据、可疑交易报告中的类别型数据进行归一化处理;即对交易数据、可疑交易报告中具有类别型数据字段的数据为类别型数据,其中,
所述的交易数据中的类别数据的字段包括:公私标识、交易对手方账户类别、资金收付标识、现金及转账标识、代理交易标识、冲账标识、跨境交易标识及交易方式标识;
所述可疑报告中的类别型数据的字段包括:客户银行卡类型、对方金融机构网点代码类型、非柜台交易方式及金融机构与客户的关系。
虽然BP神经网络不一定需要归一化,但为了提高训练的效率,要对类别型数据进行归一化处理,本实施例中,采用的归一化方法为最大-最小标准化。本实施例中采用下式进行最大-最小标准化:
本实施例中,对于使用国家标准来定义代码值的字段,不进行归一化处理。这些字段包括“交易币种”、“世界各国和地区名称代码”、“交易代办人国籍”、“可疑主体国籍”、“对方金融机构网点行政区划代码”、“交易发生地”、“可疑主体职业(对私)或行业(对公)”和“涉外收支交易分类与代码”。
本发明实施例中,考虑到字段的数量较多,进行训练时特征空间会变得非常大,且容易过拟合。在这种情况下,使用主成分分析法来进行数据降维处理。
本发明实施例中,对BP神经网络模型进行训练的过程中还进行如下操作:
训练参数选取,确定激活函数、隐含层数量、隐含层节点数及网络的初始权值。
激活函数:激活函数给神经网络的神经元引入了非线性的因素,因此神经网络能够逼近非线性函数,从而应用到非线性模型中。考虑到要输出多个优先级(分类结果),因此选用较为平缓的sigmoid函数。在输出层,由于优先级排序不是一个二分类问题,因此,本实施例中使用softmax函数进行多分类神经网络的输出。
神经网络的优势在数据量很大、计算能力很强的时候能够体现出来,当待人工处理的可疑报告数量较少时,可以使用支持向量机替代神经网络完成优先级排序。需要注意的是,支持向量机是一种二元分类的广义线性分类器,而4中的技术方案要将可疑报告分为5类,这就需要通过组合多个二分类器达到多分类器的效果。
隐含层数量:选择使用一个隐含层。理论上,隐含层层数越多,拟合非线性函数的效果越好。但过多的隐含层容易导致过拟合问题,增加训练难度,同时降低网络的泛化性能。因此使用bp神经网络时,可以先从一层开始尝试。同时考虑到,一层隐含层的神经网络可以拟合任何一个“包含从有限空间到另一个有限空间的连续映射”的函数,所以使用一层隐含层。
隐含层节点数:隐含层节点数的初始值选择是依据经验确定,而后根据训练的结果进行动态调整。常用的经验公式为
其中,h为隐含层节点数,m为输入层节点数,n为输出层节点数,a为1~10之间的常数。
考虑到神经网络的泛化问题,在训练时应先设置尽可能少的节点数使神经网络具有较好的性能,随后对隐含层节点数采用递增的方式调整,一旦发现性能不再改善则停止增加,从而确定最终的节点数。
网络的初始权值:BP网络引入了隐含层,因此不能保证任意一个初始权值都能使网络收敛到全局最小值,因此需要多次随机选择不同的权值进行尝试。
BP神经网络模型的训练与结果:
基于上述方法对BP神经网络进行训练,依据召回率判断训练效果,动态调整隐含层节点数和权值,最后选择效果最好的参数(隐含层节点数和网络权值)确定模型。如图2所示,为本发明实施例中神经网络模型训练过程的框图。
本发明对已生成的可疑报告进行优先级排序,而不是单独的判断一笔交易是否可疑,生成的可疑报告的优先级,依据反洗钱岗业务人员的实际处理能力以及监管要求,对不同优先级的可疑交易报告进行不同的处理,从而减轻工作压力。例如,可优先推送较高优先级的可疑交易报告给反洗钱岗位业务人员,让其优先处理,或者将优先级较高的可疑交易报告分配给经验更为丰富的业务人员。
本发明实施例还提供一种银行反洗钱可疑报告处理装置,如图3所示,其包括:
数据获取模块301,用于获取交易数据、可疑交易报告;
数据处理模块302,用于利用预先训练的BP神经网络模型和所述的交易数据、可疑交易报告进行处理生成银行反洗钱可疑报告处理结果;其中,所述的预先训练的BP神经网络模型为利用已确定的可疑报告优先级结果数据进行BP神经网络模型训练得到的模型。
本发明实施例中,如图4所示,该装置还包括:训练模块303,用于利用已确定的可疑报告优先级结果数据进行BP神经网络模型训练;其中,如图5所示,所述训练模块303包括:
数据获取单元3031,用于获取确定优先级顺序的可疑交易报告及对应的交易数据;
训练单元3032,用于利用确定优先级顺序的可疑交易报告及对应的交易数据作为模型输入数据,可疑报告优先级作为输出数据进行BP神经网络模型训练。
本发明实施例中,所述的银行反洗钱可疑报告处理结果包括:所述可疑交易报告的优先级排序。
如图6所示,本发明实施例中,所述的数据处理模块302包括:
预处理单元3021,用于对所述的交易数据、可疑交易报告进行数据预处理生成BP神经网络模型的输入数据;
神经网络模型处理单元3022,用于利用预先训练的BP神经网络模型对生成的输入数据进行分类处理确定可疑交易报告的优先级排序。
本发明实施例中,所述的预处理单元包括:
清洗单元,用于对所述的交易数据、可疑交易报告进行数据清洗;
离散处理单元,用于对清洗过的数据进行数据转换生成离散的交易数据、可疑交易报告的编码数据;
归一处理单元,用于对生成的离散交易数据、可疑交易报告的编码数据进行归一化处理;
降维处理单元,用于对归一化处理后的交易数据、可疑交易报告进行降维处理生成BP神经网络模型的输入数据。
本发明实施例中,所述的清洗单元对所述的交易数据、可疑交易报告进行数据清洗包括:
对交易数据、可疑交易报告中大于缺失率阈值的字段、大于占比阈值的预设字段和/或字段内容为中文汉字的字段进行剔除处理。
本发明实施例中,所述的归一处理单元对生成的离散的交易数据、可疑交易报告编码数据进行归一化处理包括:
对所述交易数据、可疑交易报告中的类别型数据进行归一化处理;其中,
所述的交易数据中的类别数据的字段包括:公私标识、交易对手方账户类别、资金收付标识、现金及转账标识、代理交易标识、冲账标识、跨境交易标识及交易方式标识。
所述可疑报告中的类别型数据的字段包括:客户银行卡类型、对方金融机构网点代码类型、非柜台交易方式及金融机构与客户的关系。
本实施例还提供一种电子设备,该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照前述方法及装置的实施例,其内容被合并于此,重复之处不再赘述。
图7为本发明实施例的电子设备600的系统构成的示意框图。如图7所示,该电子设备600可以包括中央处理器100和存储器140;存储器140耦合到中央处理器100。值得注意的是,该图是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,银行反洗钱可疑报告处理功能可以被集成到中央处理器100中。其中,中央处理器100可以被配置为进行如下控制:
获取交易数据、可疑交易报告;
利用预先训练的BP神经网络模型和所述的交易数据、可疑交易报告进行处理生成银行反洗钱可疑报告处理结果;其中,所述的预先训练的BP神经网络模型为利用已确定的可疑报告优先级结果数据进行BP神经网络模型训练得到的模型。
本发明实施例中,所述的已确定的可疑报告优先级结果数据包括:已确定优先级的可疑交易报告、对应的交易数据及可疑报告数据的优先级;其中,所述的优先级为根据预设的可疑报告上报方向和/或处理情况确定。
本发明实施例中,所述的利用已确定的可疑报告优先级结果数据进行BP神经网络模型训练包括:
获取确定优先级顺序的可疑交易报告及对应的交易数据;
利用确定优先级顺序的可疑交易报告及对应的交易数据作为模型输入数据,可疑报告优先级作为输出数据进行BP神经网络模型训练。
本发明实施例中,所述的银行反洗钱可疑报告处理结果包括:所述可疑交易报告的优先级排序。
本发明实施例中,所述的利用预先训练的BP神经网络模型和所述的交易数据、可疑交易报告进行处理生成银行反洗钱可疑报告处理结果包括:
对所述的交易数据、可疑交易报告进行数据预处理生成BP神经网络模型的输入数据;
利用预先训练的BP神经网络模型对生成的输入数据进行分类处理确定可疑交易报告的优先级排序。
本发明实施例中,所述的对所述的交易数据、可疑交易报告进行数据预处理生成BP神经网络模型的输入数据包括:
对所述的交易数据、可疑交易报告进行数据清洗;
对清洗过的数据进行数据转换生成离散的交易数据、可疑交易报告的编码数据;
对生成的离散交易数据、可疑交易报告的编码数据进行归一化处理;
对归一化处理后的交易数据、可疑交易报告进行降维处理生成BP神经网络模型的输入数据。
本发明实施例中,所述的对所述的交易数据、可疑交易报告进行数据清洗包括:
对交易数据、可疑交易报告中大于缺失率阈值的字段、大于占比阈值的预设字段和/或字段内容为中文汉字的字段进行剔除处理。
本发明实施例中,所述的对生成的离散的交易数据、可疑交易报告编码数据进行归一化处理包括:
对所述交易数据、可疑交易报告中的类别型数据进行归一化处理;其中,
所述的交易数据中的类别数据的字段包括:公私标识、交易对手方账户类别、资金收付标识、现金及转账标识、代理交易标识、冲账标识、跨境交易标识及交易方式标识。
所述可疑报告中的类别型数据的字段包括:客户银行卡类型、对方金融机构网点代码类型、非柜台交易方式及金融机构与客户的关系。
如图7所示,该电子设备600还可以包括:通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是,电子设备600也并不是必须要包括图7中所示的所有部件;此外,电子设备600还可以包括图7中没有示出的部件,可以参考现有技术。
如图7所示,中央处理器100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中,存储器140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序,以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142,该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143,该数据存储部143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132,以经由扬声器131提供音频输出,并接收来自麦克风132的音频输入,从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器130还耦合到中央处理器100,从而使得可以通过麦克风132能够在本机上录音,且使得可以通过扬声器131来播放本机上存储的声音。
本发明实施例还提供一种计算机可读程序,其中当在电子设备中执行所述程序时,所述程序使得计算机在所述电子设备中执行如上面实施例所述的银行反洗钱可疑报告处理方法。
本发明实施例还提供一种存储有计算机可读程序的存储介质,其中所述计算机可读程序使得计算机在电子设备中执行上面实施例所述的银行反洗钱可疑报告处理。
以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的,因此所附权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外,由于本领域的技术人员容易想到很多修改和改变,因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作,而是可以涵盖落入其范围内的所有合适修改和等同物。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (18)
1.一种银行反洗钱可疑报告处理方法,其特征在于,所述的方法包括:
获取交易数据、可疑交易报告;
利用预先训练的BP神经网络模型和所述的交易数据、可疑交易报告进行处理生成银行反洗钱可疑报告处理结果;其中,所述的预先训练的BP神经网络模型为利用已确定的可疑报告优先级结果数据进行BP神经网络模型训练得到的模型。
2.如权利要求1所述的银行反洗钱可疑报告处理方法,其特征在于,所述的已确定的可疑报告优先级结果数据包括:已确定优先级的可疑交易报告、对应的交易数据及可疑报告的优先级;其中,所述的优先级为根据预设的可疑报告上报方向和/或处理情况确定。
3.如权利要求2所述的银行反洗钱可疑报告处理方法,其特征在于,所述的利用已确定的可疑报告优先级结果数据进行BP神经网络模型训练包括:
获取确定优先级顺序的可疑交易报告及对应的交易数据;
利用确定优先级顺序的可疑交易报告及对应的交易数据作为模型输入数据,可疑报告优先级作为输出数据进行BP神经网络模型训练。
4.如权利要求2所述的银行反洗钱可疑报告处理方法,其特征在于,所述的银行反洗钱可疑报告处理结果包括:所述可疑交易报告的优先级排序。
5.如权利要求4所述的银行反洗钱可疑报告处理方法,其特征在于,所述的利用预先训练的BP神经网络模型和所述的交易数据、可疑交易报告进行处理生成银行反洗钱可疑报告处理结果包括:
对所述的交易数据、可疑交易报告进行数据预处理生成BP神经网络模型的输入数据;
利用预先训练的BP神经网络模型对生成的输入数据进行分类处理确定可疑交易报告的优先级排序。
6.如权利要求5所述的银行反洗钱可疑报告处理方法,其特征在于,所述的对所述的交易数据、可疑交易报告进行数据预处理生成BP神经网络模型的输入数据包括:
对所述的交易数据、可疑交易报告进行数据清洗;
对清洗过的数据进行数据转换生成离散的交易数据、可疑交易报告的编码数据;
对生成的离散交易数据、可疑交易报告的编码数据进行归一化处理;
对归一化处理后的交易数据、可疑交易报告进行降维处理生成BP神经网络模型的输入数据。
7.如权利要求6所述的银行反洗钱可疑报告处理方法,其特征在于,所述的对所述的交易数据、可疑交易报告进行数据清洗包括:
对交易数据、可疑交易报告中大于缺失率阈值的字段、大于占比阈值的预设字段和/或字段内容为中文汉字的字段进行剔除处理。
8.如权利要求6所述的银行反洗钱可疑报告处理方法,其特征在于,所述的对生成的离散的交易数据、可疑交易报告编码数据进行归一化处理包括:
对所述交易数据、可疑交易报告中的类别型数据进行归一化处理;其中,
所述的交易数据中的类别型数据的字段包括:公私标识、交易对手方账户类别、资金收付标识、现金及转账标识、代理交易标识、冲账标识、跨境交易标识及交易方式标识;
所述可疑报告中的类别型数据的字段包括:客户银行卡类型、对方金融机构网点代码类型、非柜台交易方式及金融机构与客户的关系。
9.一种银行反洗钱可疑报告处理装置,其特征在于,所述的装置包括:
数据获取模块,用于获取交易数据、可疑交易报告;
数据处理模块,用于利用预先训练的BP神经网络模型和所述的交易数据、可疑交易报告进行处理生成银行反洗钱可疑报告处理结果;其中,所述的预先训练的BP神经网络模型为利用已确定的可疑报告优先级结果数据进行BP神经网络模型训练得到的模型。
10.如权利要求9所述的银行反洗钱可疑报告处理装置,其特征在于,所述的已确定的可疑报告优先级结果数据包括:已确定优先级的可疑交易报告、对应的交易数据及可疑报告数据的优先级;其中,所述的优先级为根据预设的可疑报告上报方向和/或处理情况确定。
11.如权利要求10所述的银行反洗钱可疑报告处理装置,其特征在于,所述的装置还包括:训练模块,用于利用已确定的可疑报告优先级结果数据进行BP神经网络模型训练;其中,所述训练模块包括:
数据获取单元,用于获取确定优先级顺序的可疑交易报告及对应的交易数据;
训练单元,用于利用确定优先级顺序的可疑交易报告及对应的交易数据作为模型输入数据,可疑报告优先级作为输出数据进行BP神经网络模型训练。
12.如权利要求10所述的银行反洗钱可疑报告处理装置,其特征在于,所述的银行反洗钱可疑报告处理结果包括:所述可疑交易报告的优先级排序。
13.如权利要求12所述的银行反洗钱可疑报告处理装置,其特征在于,所述的数据处理模块包括:
预处理单元,用于对所述的交易数据、可疑交易报告进行数据预处理生成BP神经网络模型的输入数据;
神经网络模型处理单元,用于利用预先训练的BP神经网络模型对生成的输入数据进行分类处理确定可疑交易报告的优先级排序。
14.如权利要求13所述的银行反洗钱可疑报告处理装置,其特征在于,所述的预处理单元包括:
清洗单元,用于对所述的交易数据、可疑交易报告进行数据清洗;
离散处理单元,用于对清洗过的数据进行数据转换生成离散的交易数据、可疑交易报告的编码数据;
归一处理单元,用于对生成的离散交易数据、可疑交易报告的编码数据进行归一化处理;
降维处理单元,用于对归一化处理后的交易数据、可疑交易报告进行降维处理生成BP神经网络模型的输入数据。
15.如权利要求14所述的银行反洗钱可疑报告处理装置,其特征在于,所述的清洗单元对所述的交易数据、可疑交易报告进行数据清洗包括:
对交易数据、可疑交易报告中大于缺失率阈值的字段、大于占比阈值的预设字段和/或字段内容为中文汉字的字段进行剔除处理。
16.如权利要求14所述的银行反洗钱可疑报告处理装置,其特征在于,所述的归一处理单元对生成的离散的交易数据、可疑交易报告编码数据进行归一化处理包括:
对所述交易数据、可疑交易报告中的类别型数据进行归一化处理;其中,
所述的交易数据中的类别数据的字段包括:公私标识、交易对手方账户类别、资金收付标识、现金及转账标识、代理交易标识、冲账标识、跨境交易标识及交易方式标识;
所述可疑报告中的类别型数据的字段包括:客户银行卡类型、对方金融机构网点代码类型、非柜台交易方式及金融机构与客户的关系。
17.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8任一项所述方法。
18.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至8任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011043660.XA CN112116478A (zh) | 2020-09-28 | 2020-09-28 | 银行反洗钱可疑报告处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011043660.XA CN112116478A (zh) | 2020-09-28 | 2020-09-28 | 银行反洗钱可疑报告处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112116478A true CN112116478A (zh) | 2020-12-22 |
Family
ID=73797229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011043660.XA Pending CN112116478A (zh) | 2020-09-28 | 2020-09-28 | 银行反洗钱可疑报告处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116478A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792339A (zh) * | 2021-09-09 | 2021-12-14 | 浙江数秦科技有限公司 | 一种双向隐私保密的神经网络模型共享方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689135A (zh) * | 2019-09-05 | 2020-01-14 | 第四范式(北京)技术有限公司 | 一种反洗钱模型的训练方法、装置及电子设备 |
CN111127200A (zh) * | 2019-11-25 | 2020-05-08 | 中国建设银行股份有限公司 | 反洗钱可疑交易监测方法及装置 |
CN111429282A (zh) * | 2020-03-27 | 2020-07-17 | 中国工商银行股份有限公司 | 基于反洗钱模型迁移的交易反洗钱方法及装置 |
CN111667368A (zh) * | 2020-05-29 | 2020-09-15 | 中国工商银行股份有限公司 | 反洗钱监测系统及方法 |
-
2020
- 2020-09-28 CN CN202011043660.XA patent/CN112116478A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689135A (zh) * | 2019-09-05 | 2020-01-14 | 第四范式(北京)技术有限公司 | 一种反洗钱模型的训练方法、装置及电子设备 |
CN111127200A (zh) * | 2019-11-25 | 2020-05-08 | 中国建设银行股份有限公司 | 反洗钱可疑交易监测方法及装置 |
CN111429282A (zh) * | 2020-03-27 | 2020-07-17 | 中国工商银行股份有限公司 | 基于反洗钱模型迁移的交易反洗钱方法及装置 |
CN111667368A (zh) * | 2020-05-29 | 2020-09-15 | 中国工商银行股份有限公司 | 反洗钱监测系统及方法 |
Non-Patent Citations (2)
Title |
---|
孙娟;: "基于BP神经网络的客户洗钱风险等级划分模型", 金融电子化, no. 10, 15 October 2013 (2013-10-15) * |
徐俊;杨建刚;: "基于多层神经网络的洗钱风险评估方法", 计算机工程, no. 22, 20 November 2010 (2010-11-20), pages 181 - 183 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792339A (zh) * | 2021-09-09 | 2021-12-14 | 浙江数秦科技有限公司 | 一种双向隐私保密的神经网络模型共享方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275546B (zh) | 金融客户欺诈风险识别方法及装置 | |
US20180082368A1 (en) | System and method for detecting fraudulent account access and transfers | |
CN110751557B (zh) | 一种基于序列模型的异常资金交易行为分析方法及系统 | |
JP2022528839A (ja) | 個人情報保護システム | |
JP2022520824A (ja) | インテリジェント警告システム | |
CN112862298B (zh) | 一种针对用户画像的信用评估方法 | |
CN109214914A (zh) | 一种基于通信开放平台的借贷信息审核方法及装置 | |
Sayjadah et al. | Credit card default prediction using machine learning techniques | |
CN112927072B (zh) | 一种基于区块链的反洗钱仲裁方法、系统及相关装置 | |
CN111008896A (zh) | 金融风险预警方法、装置、电子设备及存储介质 | |
CN111428217A (zh) | 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质 | |
CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
CN113052703A (zh) | 一种交易风险预警方法及装置 | |
CN112508711A (zh) | 一种针对保单理赔的自动核赔方法及相关设备 | |
CA2496787A1 (en) | Method to improve debt collection practices | |
CN115205026A (zh) | 信用评估方法、装置、设备及计算机存储介质 | |
CN112116478A (zh) | 银行反洗钱可疑报告处理方法及装置 | |
CN114066620A (zh) | 基于客户画像的客户信息处理方法及装置 | |
CN110458684A (zh) | 一种基于双向长短期记忆神经网络的金融反欺诈检测方法 | |
Vahid et al. | Modeling corporate customers’ credit risk considering the ensemble approaches in multiclass classification: evidence from Iranian corporate credits | |
JP2020187441A (ja) | モデル提供プログラム、モデル提供方法及びモデル提供装置 | |
CN113627653B (zh) | 手机银行用户的活跃度预测策略的确定方法及装置 | |
CN118096191B (zh) | 一种智能用户信息保护的反欺诈系统及方法 | |
CN111754331B (zh) | 一种业务审批方法及装置 | |
Roijmans | Macroeconomic factors in loan default prediction |
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 |