CN112199414B - 一种金融交易数据的综合分析方法 - Google Patents

Abstract

本发明公开了一种金融交易数据的综合分析方法，包括：S1.将待分析的金融交易数据划分到每一个对象下；S2.根据各个对象下的金融交易数据，分析出异常对象；S3.选择其中一个异常对象作为筛选分析的目标金融对象，除选定因素外给定的剩余因素作为目标金融对象的属性；S4.分析目标金融对象的单项异常属性集合D；S5.获取关联规则集合T；S6.基于失败笔数和交易失败率，对关联规则集合T中存在包含关系的关联规则进行合并，得到集合T1；S7.计算集合T1中每一个关联规则的交易失败率，并按照交易失败率从大到小进行优先级排序。本发明能够实现对金融交易数据的综合分析，得到关联规则的优先级排序，有助于快速确定交易失败的原因。

Description

一种金融交易数据的综合分析方法

技术领域

本发明涉及金融数据分析，特别是涉及一种金融交易数据的综合分析方法。

背景技术

就当今社会而言，移动支付已成主流，怎样提交交易成功率增强用户体验是各支付企业及相关商户和银行机构需要关注的问题。支付是一个长链路交易活动，参与方众多，包括：持卡人或者支付用户、商户、收单机构、发卡机构、网联或者银联等相关机构，引起交易失败的因素可能是单个因素，但更多的是多因素组合或者叠加，很多失败因素不能简单通过一个点来判断。

另外，目前交易的成功率都非常高，一般整体交易成功率在99％左右，面对海量的支付交易数据，怎样查找和发现交易失败的问题和原因是非常困难的一件事情。

发明内容

本发明的目的在于克服现有技术的不足，提供一种金融交易数据的综合分析方法，能够实现对金融交易数据的综合分析，得到关联规则的优先级排序，有助于快速确定交易失败的原因。

本发明的目的是通过以下技术方案来实现的：一种金融交易数据的综合分析方法，包括以下步骤：

S1.给定影响金融交易数据质量的多个因素，并选定其中一个因素，获取该因素下不同的对象信息，将待分析的金融交易数据划分到每一个对象下；

S2.根据各个对象下的金融交易数据，分析出异常对象；

S3.选择其中一个异常对象作为筛选分析的目标金融对象，除选定因素外给定的剩余因素作为目标金融对象的属性；

S4.分析目标金融对象的单项异常属性集合D；

S5.根据单项异常属性集合D中的各个单项异常属性，生成关联规则，每一个关联规则由一个或多个单项异常属性构成，并得到关联规则集合T；

S6.基于失败笔数和交易失败率，对关联规则集合T中存在包含关系的关联规则进行合并，得到集合T1；

S7.计算集合T1中每一个关联规则的交易失败率，并按照交易失败率从大到小进行优先级排序，关联规则的优先级排序越靠前，则由该关联规则中各个属性组合引起异常的概率越大。

优选地，所述步骤S1中给定的因素分为卡、通信路线、操作和终端四个方面，其中：

卡方面的因素包括：卡BIN、卡性质和卡介质；

通信路线方面的因素包括：受理机构标识码、发卡机构标识码、发送机构标识码和接收机构标识码；

操作方面的因素包括：交易代码、服务点输入方式和服务点条件代码；

终端方面的因素包括：商户类型、交易渠道、受卡发商户标识代码；

选定的因素为受理机构标识码或发卡机构标识码。

其中，所述步骤S2包括以下子步骤：

S201.计算每一个对象下的交易失败率和失败贡献度：

S2011.设选定的因素下共包含T个对象，统计所有对象失败的金融交易数据总数、每一个对象下的金融交易数据数量以及每一个对象下失败的金融交易数据数量；

S2012.对于第i个对象，计算对应的交易失败率ER_i和失败贡献度EC_i：

其中，

为第i个对象下下失败的金融交易数据数量，N_i为第i个对象下的金融交易数据数量，N^E为所有对象失败的金融交易数据总数；

S2013.在i＝1,2,...,T时，重复执行步骤S2012，计算出每一个对象下的交易失败率和失败贡献度；

S202.建立投影坐标系，纵坐标为交易失败率，横坐标为失败贡献度，并在设定正常对象的边界条件；所述正常对象的边界条件即对正常对象的交易失败率和失败贡献度的范围限定；

S203.根据各个对象的交易失败率和失败贡献度，将每一个对象投影到坐标系中，并结合正常对象的边界条件，筛选出不在正常对象边界条件内的一个或多个异常对象。

其中，所述步骤S4包括以下子步骤：

S401.基于目标金融对象不同属性下的交易失败率和失败贡献度，获取目标金融对象的单项异常属性集合A,包括：

S4011.对于选择的目标金融对象P，设该对象为选定因素下的第i个对象，统计该异常对象每一个属性下失败的金融交易数据数量；

S4012.对于目标金融对象P下的第j个属性，计算对应的交易失败率ER_ij和失败贡献度EC_ij：

其中，

表示目标金融对象P第j个属性下失败的金融交易数据数量；j＝1,2,...,q；q表示目标金融对象P下的属性数量；

S4013.将目标金融对象P的每一个属性投影到坐标系中，并筛选出不在正常属性的边界条件内的异常属性；

S4014.将目标金融对象的异常属性作为多目标优化的解，根据各个异常属性的交易失败率和失败贡献度确定各个解之间的支配关系：

对于任意两个解任意两个解x⁽¹⁾、x⁽²⁾，分如下两种情况：

第一、当|f_m(x⁽¹⁾)-f_m(x⁽²⁾)|＞d时:如果(1)、(2)两个条件同时成立，那么x⁽¹⁾支配x⁽²⁾即x⁽¹⁾为x⁽²⁾的支配解，如果(1)、(2)不能同时成立，那么x⁽¹⁾就不支配x⁽²⁾；

(1)m在集合{1,2}中取任意值时，x⁽¹⁾的目标函数f_mx⁽¹⁾都不比x⁽²⁾的目标函数f_mx⁽²⁾差，即对任意的m∈{1,2}都有：

f_m(x⁽¹⁾)≤f_m(x⁽²⁾)；

(2)至少存在一个m∈{1,2}使得x⁽¹⁾比x⁽²⁾严格优，即至少存在一个m使得：

第二、当|f_m(x⁽¹⁾)-f_m(x⁽²⁾)|≤d时，认为x⁽¹⁾和x⁽²⁾是无差异的，彼此不互相支配；

其中，m＝1时f_mx⁽¹⁾、f_mx⁽²⁾表示x⁽¹⁾、x⁽²⁾的交易失败率，m＝2时f_mx⁽¹⁾、f_mx⁽²⁾表示x⁽¹⁾、x⁽²⁾的失败贡献度；

S4015.对于每一个解，按照确定的支配关系，统计该解的支配解数目；

S4016.将各个解按照支配解数目的从小到大进行排序，支配解数目越少，优先级越高，将其中优先级最高的解保存到一个集合中，形成单项异常属性集合A；

S402.基于目标金融对象的失败应答码信息，分析目标金融对象的单项异常属性集合B，包括：

S4021.将目标金融对象下的失败应答码划分到该对象的每一个属性中；

S4022.统计目标金融对象下的频数信息，并据此计算相关的频率信息；所述频数信息包括：

目标金融对象下的失败应答码出现次数、目标金融对象下的失败应答码种类数目、目标金融对象每一个属性下的失败应答码出现次数、目标金融对象每一种失败应答码下的失败应答码出现次数以及目标金融对象每一个属性下每一种失败应答码的出现次数；所述频率信息包括：目标金融对象下每一个属性的失败应答码出现频率、目标金融对象每一种失败应答码下的失败应答码出现频率以及每一个属性下每一种失败应答码的出现频率；

所述计算过程包括：

A1、设目标金融对象下的失败应答码出现次数为n，目标金融对象下的失败应答码种类数目为q，目标金融对象第i个属性下的失败应答码出现次数为n_i，目标金融对象第j种失败应答码下的失败应答码出现出书为n_j，目标金融对象第i个属性下第j种失败应答码的出现次数为n_ij；

则：

目标金融对象下第i个属性的失败应答码出现频率为：

目标金融对象第j种失败应答码下的失败应答码出现频率为：

目标金融对象第i个属性下第j种失败应答码的出现频率为：

A2、在i＝1,2,...,p，j＝1,2,...,q的情况下，获取n_i、n_j、n_ij，并按照步骤A1计算p_i、p_j、p_ij；

S4023.定义每一个属性中各个失败应答码的卡方值，并根据卡方值得到失败应答码的聚集程度，实现对异常属性的筛选：

B1.计算第i个属性下第j个失败应答码的卡方值为：

B2.计算第i个属性对应的卡方值为：

B3.将各个属性的卡方值与预设阈值进行比较，筛选出卡方值不小于设定阈值的属性，将这些属性保存到一个集合中，得到目标金融对象的单项异常属性集合B；

S403.将单项异常属性集合A与B合并，得到并集D作为最终的单项异常属性集合，并集D中的每一个元素均为该目标金融对象的单项异常属性。

优选地，所述优先级最高的解为一个或多个：

满足条件“支配解数目最少，优先级最高”的解只有一个时，该解即为最优解，单项异常属性集合A中只有一个解；

满足条件“支配解数目最少，优先级最高”的解存在多个时，这些解均为最优解单项异常属性集合中包含多个解，情况下，这种各个最优解的支配解数目相同。

其中，所述步骤S5包括以下子步骤：

S501.统计集合D中的单项异常属性总数M；

S502.从集合D的M个单项异常属性中选择k个单项异常属性组成关联规则，穷举所有选择方式，得到

种关联规则；

S503.在k＝1,2,...,M时，重复执行步骤S2,得到k取不同值时的所有关联规则，将所有规则加入一个集合中，得到关联规则集合T。

其中，所述步骤S6包括以下子步骤：

S601.对于关联规则集合T中存在包含关系的两个关联规则H1和H2,分别统计关联规则H1和H2下的交易失败笔数；

其中，存在包含关系是指，其中一个关联规则H1中包含另一个关联规则H2中的所有属性，且关联规则H1中的属性数目大于关联规则H2中的属性数目；此时，将关联规则H1称为子规则，关联规则H2称为父规则；

关联规则下的交易失败笔数，等于该关联规则下所有属性的失败交易笔数之和；

关联规则下的交易失败率，等于该关联规则失败交易笔数与目标金融对象金融交易数据数量的比值；

S602.基于交易失败笔数和交易失败率进行关联规则合并：

若关联规则的失败交易率不小于设定阈值：

对于存在包含关系的规则，若子规则的失败量与父规则的失败量相等时，则保留子规则、删除父规则，否则保留父规则、删除子规则；

若关联规则的失败交易率小于设定阈值：

对于存在包含关系的规则，判断子规则的失败交易率是否大于其父规则的失败交易率，若子规则的失败交易率不大于父规则的失败交易率，则丢弃子规则，保留父规则；反之则保留子规则，丢弃父规则。

S603.对于关联规则集合T中存在包含关系的任意两个关联规则,按照步骤S601～S602进行合并，直到所有存在包含关系的关联规则合并完毕，得到新的集合T1。

对于步骤S2得到的每一个异常对象，重复执行步骤S3～S7，即可完成所有异常对象的综合分析。

本发明的有益效果是：本发明基于不同属性下的交易失败率和失败贡献度，筛选出异常属性，并基于支配关系进行多目标优化，得到目标金融对象的单项异常属性集合A，然后基于目标金融对象的失败应答码信息的聚集程度，分析目标金融对象的单项异常属性集合B，再将两个集合进行合并，以实现互相关联，得到较为准确和完整的单项异常属性集合；然后生成关联规则，并进行合并和优先级排序，有助于快速确定交易失败的原因；由于进行异常对象与异常属性筛选时，综合考虑了交易失败率和失败贡献度，故能够有效降低小业务交易数据被淹没的可能性。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，一种金融交易数据的综合分析方法，包括以下步骤：

S1.给定影响金融交易数据质量的多个因素，并选定其中一个因素，获取该因素下不同的对象信息，将待分析的金融交易数据划分到每一个对象下；

S2.根据各个对象下的金融交易数据，分析出异常对象；

S3.选择其中一个异常对象作为筛选分析的目标金融对象，除选定因素外给定的剩余因素作为目标金融对象的属性；

S4.分析目标金融对象的单项异常属性集合D；

S5.根据单项异常属性集合D中的各个单项异常属性，生成关联规则，每一个关联规则由一个或多个单项异常属性构成，并得到关联规则集合T；

S6.基于失败笔数和交易失败率，对关联规则集合T中存在包含关系的关联规则进行合并，得到集合T1；

S7.计算集合T1中每一个关联规则的交易失败率，并按照交易失败率从大到小进行优先级排序，关联规则的优先级排序越靠前，则由该关联规则中各个属性组合引起异常的概率越大。

在本申请的实施例中，所述步骤S1中给定的因素分为卡、通信路线、操作和终端四个方面，其中：

卡方面的因素包括：卡BIN、卡性质和卡介质；

通信路线方面的因素包括：受理机构标识码、发卡机构标识码、发送机构标识码和接收机构标识码；

操作方面的因素包括：交易代码、服务点输入方式和服务点条件代码；

终端方面的因素包括：商户类型、交易渠道、受卡发商户标识代码；

选定的因素为受理机构标识码或发卡机构标识码。例如，选定的因素为受理机构标识码时，由于不同的受理机构标识码对应于不同的受理机构，故该因素下的对象其实就是各个受理机构；选定的因素为发卡机构识别码时，由于不同的发卡机构标识码对应于不同的发卡机构，故该因素的对象其实就是各个发卡机构。

其中，所述步骤S2包括以下子步骤：

S201.计算每一个对象下的交易失败率和失败贡献度：

S2011.设选定的因素下共包含T个对象，统计所有对象失败的金融交易数据总数、每一个对象下的金融交易数据数量以及每一个对象下失败的金融交易数据数量；

S2012.对于第i个对象，计算对应的交易失败率ER_i和失败贡献度EC_i：

其中，

为第i个对象下下失败的金融交易数据数量，N_i为第i个对象下的金融交易数据数量，N^E为所有对象失败的金融交易数据总数；

S2013.在i＝1,2,...,T时，重复执行步骤S2012，计算出每一个对象下的交易失败率和失败贡献度；

S202.建立投影坐标系，纵坐标为交易失败率，横坐标为失败贡献度，并在设定正常对象的边界条件；所述正常对象的边界条件即对正常对象的交易失败率和失败贡献度的范围限定；

S203.根据各个对象的交易失败率和失败贡献度，将每一个对象投影到坐标系中，并结合正常对象的边界条件，筛选出不在正常对象边界条件内的一个或多个异常对象。

其中，所述步骤S4包括以下子步骤：

S401.基于目标金融对象不同属性下的交易失败率和失败贡献度，获取目标金融对象的单项异常属性集合A,包括：

S4011.对于选择的目标金融对象P，设该对象为选定因素下的第i个对象，统计该异常对象每一个属性下失败的金融交易数据数量；

S4012.对于目标金融对象P下的第j个属性，计算对应的交易失败率ER_ij和失败贡献度EC_ij：

其中，

表示目标金融对象P第j个属性下失败的金融交易数据数量；j＝1,2,...,q；q表示目标金融对象P下的属性数量；

S4013.将目标金融对象P的每一个属性投影到坐标系中，并筛选出不在正常属性的边界条件内的异常属性；

S4014.将目标金融对象的异常属性作为多目标优化的解，根据各个异常属性的交易失败率和失败贡献度确定各个解之间的支配关系：

对于任意两个解任意两个解x⁽¹⁾、x⁽²⁾，分如下两种情况：

第一、当|f_m(x⁽¹⁾)-f_m(x⁽²⁾)|＞d时:如果(1)、(2)两个条件同时成立，那么x⁽¹⁾支配x⁽²⁾即x⁽¹⁾为x⁽²⁾的支配解，如果(1)、(2)不能同时成立，那么x⁽¹⁾就不支配x⁽²⁾；

(1)m在集合{1,2}中取任意值时，x⁽¹⁾的目标函数f_mx⁽¹⁾都不比x⁽²⁾的目标函数f_mx⁽²⁾差，即对任意的m∈{1,2}都有：

f_m(x⁽¹⁾)≤f_m(x⁽²⁾)；

(2)至少存在一个m∈{1,2}使得x⁽¹⁾比x⁽²⁾严格优，即至少存在一个m使得：

第二、当|f_m(x⁽¹⁾)-f_m(x⁽²⁾)|≤d时，认为x⁽¹⁾和x⁽²⁾是无差异的，彼此不互相支配；

其中，m＝1时f_mx⁽¹⁾、f_mx⁽²⁾表示x⁽¹⁾、x⁽²⁾的交易失败率，m＝2时f_mx⁽¹⁾、f_mx⁽²⁾表示x⁽¹⁾、x⁽²⁾的失败贡献度；

S4015.对于每一个解，按照确定的支配关系，统计该解的支配解数目；

S4016.将各个解按照支配解数目的从小到大进行排序，支配解数目越少，优先级越高，将其中优先级最高的解保存到一个集合中，形成单项异常属性集合A；

S402.基于目标金融对象的失败应答码信息，分析目标金融对象的单项异常属性集合B，包括：

S4021.将目标金融对象下的失败应答码划分到该对象的每一个属性中；

S4022.统计目标金融对象下的频数信息，并据此计算相关的频率信息；所述频数信息包括：

目标金融对象下的失败应答码出现次数、目标金融对象下的失败应答码种类数目、目标金融对象每一个属性下的失败应答码出现次数、目标金融对象每一种失败应答码下的失败应答码出现次数以及目标金融对象每一个属性下每一种失败应答码的出现次数；所述频率信息包括：目标金融对象下每一个属性的失败应答码出现频率、目标金融对象每一种失败应答码下的失败应答码出现频率以及每一个属性下每一种失败应答码的出现频率；

所述计算过程包括：

A1、设目标金融对象下的失败应答码出现次数为n，目标金融对象下的失败应答码种类数目为q，目标金融对象第i个属性下的失败应答码出现次数为n_i，目标金融对象第j种失败应答码下的失败应答码出现出书为n_j，目标金融对象第i个属性下第j种失败应答码的出现次数为n_ij；

则：

目标金融对象下第i个属性的失败应答码出现频率为：

目标金融对象第j种失败应答码下的失败应答码出现频率为：

目标金融对象第i个属性下第j种失败应答码的出现频率为：

A2、在i＝1,2,...,p，j＝1,2,...,q的情况下，获取n_i、n_j、n_ij，并按照步骤A1计算p_i、p_j、p_ij；

在本申请的实施例中，统计的频数信息如下表所示：

计算的到的频率信息如下图所示：

一个属性对于某个应答码是否有聚集，不能只看n_ij，p_ij的绝对值，因为虽然p_ij大，但若对应的第i属性失败占比p_i.很大，或者第j应答码的失败占比p_.j很大，则p_ij大不能说明属性对于某个应答码有聚集。从这一角度看p_ij-p_i.p_.j可能更好地反映了问题，因此，定义如下卡方值来分析应答码的聚集；

S4023.定义每一个属性中各个失败应答码的卡方值，并根据卡方值得到失败应答码的聚集程度，实现对异常属性的筛选：

B1.计算第i个属性下第j个失败应答码的卡方值为：

B2.计算第i个属性对应的卡方值为：

得到的卡方值如下表所示：

B3.在卡方值较大的属性上，失败应答码的聚集程度最高，由该属性引起交易失败的概率较大，因此因素为异常属性；本申请将各个属性的卡方值与预设阈值进行比较，筛选出卡方值不小于设定阈值的属性，将这些属性保存到一个集合中，得到目标金融对象的单项异常属性集合B；

S403.将单项异常属性集合A与B合并，得到并集D作为最终的单项异常属性集合，并集D中的每一个元素均为该目标金融对象的单项异常属性。

在本申请的实施例中，所述优先级最高的解为一个或多个：

满足条件“支配解数目最少，优先级最高”的解只有一个时，该解即为最优解，单项异常属性集合A中只有一个解；

满足条件“支配解数目最少，优先级最高”的解存在多个时，这些解均为最优解单项异常属性集合中包含多个解，情况下，这种各个最优解的支配解数目相同。

其中，所述步骤S5包括以下子步骤：

S501.统计集合D中的单项异常属性总数M；

S502.从集合D的M个单项异常属性中选择k个单项异常属性组成关联规则，穷举所有选择方式，得到

种关联规则；

S503.在k＝1,2,...,M时，重复执行步骤S2,得到k取不同值时的所有关联规则，将所有规则加入一个集合中，得到关联规则集合T。

其中，所述步骤S6包括以下子步骤：

S601.对于关联规则集合T中存在包含关系的两个关联规则H1和H2,分别统计关联规则H1和H2下的交易失败笔数；

其中，存在包含关系是指，其中一个关联规则H1中包含另一个关联规则H2中的所有属性，且关联规则H1中的属性数目大于关联规则H2中的属性数目；此时，将关联规则H1称为子规则，关联规则H2称为父规则；

关联规则下的交易失败笔数，等于该关联规则下所有属性的失败交易笔数之和；

关联规则下的交易失败率，等于该关联规则失败交易笔数与目标金融对象金融交易数据数量的比值；

S602.基于交易失败笔数和交易失败率进行关联规则合并：

若关联规则的失败交易率不小于设定阈值：

对于存在包含关系的规则，若子规则的失败量与父规则的失败量相等时，则保留子规则、删除父规则，否则保留父规则、删除子规则；

若关联规则的失败交易率小于设定阈值：

对于存在包含关系的规则，判断子规则的失败交易率是否大于其父规则的失败交易率，若子规则的失败交易率不大于父规则的失败交易率，则丢弃子规则，保留父规则；反之则保留子规则，丢弃父规则。

S603.对于关联规则集合T中存在包含关系的任意两个关联规则,按照步骤S601～S602进行合并，直到所有存在包含关系的关联规则合并完毕，得到新的集合T1。

对于步骤S2得到的每一个异常对象，重复执行步骤S3～S7，即可完成所有异常对象的综合分析。

以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (6)

1.一种金融交易数据的综合分析方法，其特征在于：包括以下步骤：

S1.给定影响金融交易数据质量的多个因素，并选定其中一个因素，获取该因素下不同的对象信息，将待分析的金融交易数据划分到每一个对象下；

S2.根据各个对象下的金融交易数据，分析出异常对象；

所述步骤S2包括以下子步骤：

S201.计算每一个对象下的交易失败率和失败贡献度：

S2011.设选定的因素下共包含T个对象，统计所有对象失败的金融交易数据总数、每一个对象下的金融交易数据数量以及每一个对象下失败的金融交易数据数量；

S2012.对于第i个对象，计算对应的交易失败率ER_i和失败贡献度EC_i：

其中，

为第i个对象下下失败的金融交易数据数量，N_i为第i个对象下的金融交易数据数量，N^E为所有对象失败的金融交易数据总数；

S2013.在i＝1,2,...,T时，重复执行步骤S2012，计算出每一个对象下的交易失败率和失败贡献度；

S202.建立投影坐标系，纵坐标为交易失败率，横坐标为失败贡献度，并在设定正常对象的边界条件；所述正常对象的边界条件即对正常对象的交易失败率和失败贡献度的范围限定；

S203.根据各个对象的交易失败率和失败贡献度，将每一个对象投影到坐标系中，并结合正常对象的边界条件，筛选出不在正常对象边界条件内的一个或多个异常对象；

S3.选择其中一个异常对象作为筛选分析的目标金融对象，除选定因素外给定的剩余因素作为目标金融对象的属性；

S4.分析目标金融对象的单项异常属性集合D；

所述步骤S4包括以下子步骤：

S401.基于目标金融对象不同属性下的交易失败率和失败贡献度，获取目标金融对象的单项异常属性集合A,包括：

S4011.对于选择的目标金融对象P，设该对象为选定因素下的第i个对象，统计该异常对象每一个属性下失败的金融交易数据数量；

S4012.对于目标金融对象P下的第j个属性，计算对应的交易失败率ER_ij和失败贡献度EC_ij：

其中，

表示目标金融对象P第j个属性下失败的金融交易数据数量；j＝1,2,...,q；q表示目标金融对象P下的属性数量；

S4013.将目标金融对象P的每一个属性投影到坐标系中，并筛选出不在正常属性的边界条件内的异常属性；

S4014.将目标金融对象的异常属性作为多目标优化的解，根据各个异常属性的交易失败率和失败贡献度确定各个解之间的支配关系：

对于任意两个解任意两个解x⁽¹⁾、x⁽²⁾，分如下两种情况：

第一、当f_m(x⁽¹⁾)-f_m(x⁽²⁾)＞d时:如果(1)、(2)两个条件同时成立，那么x⁽¹⁾支配x⁽²⁾即x⁽¹⁾为x⁽²⁾的支配解，如果(1)、(2)不能同时成立，那么x⁽¹⁾就不支配x⁽²⁾；

(1)m在集合{1,2}中取任意值时，x⁽¹⁾的目标函数f_mx⁽¹⁾都不比x⁽²⁾的目标函数f_mx⁽²⁾差，即对任意的m∈{1,2}都有：

f_m(x⁽¹⁾)≤f_m(x⁽²⁾)；

(2)至少存在一个m∈{1,2}使得x⁽¹⁾比x⁽²⁾严格优，即至少存在一个m使得：

f_m(x⁽¹⁾)＜f_m(x⁽²⁾)；

第二、当f_m(x⁽¹⁾)-f_m(x⁽²⁾)≤d时，认为x⁽¹⁾和x⁽²⁾是无差异的，彼此不互相支配；

其中，m＝1时f_mx⁽¹⁾、f_mx⁽²⁾表示x⁽¹⁾、x⁽²⁾的交易失败率，m＝2时f_mx⁽¹⁾、f_mx⁽²⁾表示x⁽¹⁾、x⁽²⁾的失败贡献度；

S4015.对于每一个解，按照确定的支配关系，统计该解的支配解数目；

S4016.将各个解按照支配解数目的从小到大进行排序，支配解数目越少，优先级越高，将其中优先级最高的解保存到一个集合中，形成单项异常属性集合A；

S402.基于目标金融对象的失败应答码信息，分析目标金融对象的单项异常属性集合B，包括：

S4021.将目标金融对象下的失败应答码划分到该对象的每一个属性中；

S4022.统计目标金融对象下的频数信息，并据此计算相关的频率信息；所述频数信息包括：

目标金融对象下的失败应答码出现次数、目标金融对象下的失败应答码种类数目、目标金融对象每一个属性下的失败应答码出现次数、目标金融对象每一种失败应答码下的失败应答码出现次数以及目标金融对象每一个属性下每一种失败应答码的出现次数；所述频率信息包括：目标金融对象下每一个属性的失败应答码出现频率、目标金融对象每一种失败应答码下的失败应答码出现频率以及每一个属性下每一种失败应答码的出现频率；

所述计算过程包括：

A1、设目标金融对象下的失败应答码出现次数为n，目标金融对象下的失败应答码种类数目为q，目标金融对象第i个属性下的失败应答码出现次数为n_i，目标金融对象第j种失败应答码下的失败应答码出现出书为n_j，目标金融对象第i个属性下第j种失败应答码的出现次数为n_ij；

则：

目标金融对象下第i个属性的失败应答码出现频率为：

目标金融对象第j种失败应答码下的失败应答码出现频率为：

目标金融对象第i个属性下第j种失败应答码的出现频率为：

A2、在i＝1,2,...,p，j＝1,2,...,q的情况下，获取n_i、n_j、n_ij，并按照步骤A1计算p_i、p_j、p_ij；

S4023.定义每一个属性中各个失败应答码的卡方值，并根据卡方值得到失败应答码的聚集程度，实现对异常属性的筛选：

B1.计算第i个属性下第j个失败应答码的卡方值为：

B2.计算第i个属性对应的卡方值为：

B3.将各个属性的卡方值与预设阈值进行比较，筛选出卡方值不小于设定阈值的属性，将这些属性保存到一个集合中，得到目标金融对象的单项异常属性集合B；

S403.将单项异常属性集合A与B合并，得到并集D作为最终的单项异常属性集合，并集D中的每一个元素均为该目标金融对象的单项异常属性；

S5.根据单项异常属性集合D中的各个单项异常属性，生成关联规则，每一个关联规则由一个或多个单项异常属性构成，并得到关联规则集合T；

S6.基于失败笔数和交易失败率，对关联规则集合T中存在包含关系的关联规则进行合并，得到集合T1；

S7.计算集合T1中每一个关联规则的交易失败率，并按照交易失败率从大到小进行优先级排序。

2.根据权利要求1所述的一种金融交易数据的综合分析方法，其特征在于：所述步骤S1中给定的因素分为卡、通信路线、操作和终端四个方面，其中：

卡方面的因素包括：卡BIN、卡性质和卡介质；

通信路线方面的因素包括：受理机构标识码、发卡机构标识码、发送机构标识码和接收机构标识码；

操作方面的因素包括：交易代码、服务点输入方式和服务点条件代码；

终端方面的因素包括：商户类型、交易渠道、受卡发商户标识代码；

选定的因素为受理机构标识码或发卡机构标识码。

3.根据权利要求1所述的一种金融交易数据的综合分析方法，其特征在于：所述优先级最高的解为一个或多个：

满足条件“支配解数目最少，优先级最高”的解只有一个时，该解即为最优解，单项异常属性集合A中只有一个解；

满足条件“支配解数目最少，优先级最高”的解存在多个时，这些解均为最优解单项异常属性集合中包含多个解，情况下，这种各个最优解的支配解数目相同。

4.根据权利要求1所述的一种金融交易数据的综合分析方法，其特征在于：所述步骤S5包括以下子步骤：

S501.统计集合D中的单项异常属性总数M；

S502.从集合D的M个单项异常属性中选择k个单项异常属性组成关联规则，穷举所有选择方式，得到

种关联规则；

S503.在k＝1,2,...,M时，重复执行步骤S2,得到k取不同值时的所有关联规则，将所有规则加入一个集合中，得到关联规则集合T。

5.根据权利要求1所述的一种金融交易数据的综合分析方法，其特征在于：所述步骤S6包括以下子步骤：

S601.对于关联规则集合T中存在包含关系的两个关联规则H1和H2,分别统计关联规则H1和H2下的交易失败笔数；

其中，存在包含关系是指，其中一个关联规则H1中包含另一个关联规则H2中的所有属性，且关联规则H1中的属性数目大于关联规则H2中的属性数目；此时，将关联规则H1称为子规则，关联规则H2称为父规则；

关联规则下的交易失败笔数，等于该关联规则下所有属性的失败交易笔数之和；

关联规则下的交易失败率，等于该关联规则失败交易笔数与目标金融对象金融交易数据数量的比值；

S602.基于交易失败笔数和交易失败率进行关联规则合并：

若关联规则的失败交易率不小于设定阈值：

对于存在包含关系的规则，若子规则的失败量与父规则的失败量相等时，则保留子规则、删除父规则，否则保留父规则、删除子规则；

若关联规则的失败交易率小于设定阈值：

对于存在包含关系的规则，判断子规则的失败交易率是否大于其父规则的失败交易率，若子规则的失败交易率不大于父规则的失败交易率，则丢弃子规则，保留父规则；反之则保留子规则，丢弃父规则；

S603.对于关联规则集合T中存在包含关系的任意两个关联规则,按照步骤S601～S602进行合并，直到所有存在包含关系的关联规则合并完毕，得到新的集合T1。

6.根据权利要求1所述的一种金融交易数据的综合分析方法，其特征在于：对于步骤S2得到的每一个异常对象，重复执行步骤S3～S7，完成所有异常对象的综合分析。

Images