CN115908022A - 一种基于网络建模的异常交易风险预警方法及系统 - Google Patents
一种基于网络建模的异常交易风险预警方法及系统 Download PDFInfo
- Publication number
- CN115908022A CN115908022A CN202211549001.2A CN202211549001A CN115908022A CN 115908022 A CN115908022 A CN 115908022A CN 202211549001 A CN202211549001 A CN 202211549001A CN 115908022 A CN115908022 A CN 115908022A
- Authority
- CN
- China
- Prior art keywords
- data
- transaction
- abnormal transaction
- risk
- early warning
- 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
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及一种基于网络建模的异常交易风险预警方法及系统,由各区块链节点使用客户信息特征子集、交易信息特征子集和异常交易特征子集中的各特征为节点、各特征之间的相似性为边,构建异常交易风险度量网络并交叉验证,生成全局模型,基于多种数据及其联系,构建基于复杂网络建模的异常交易风险度量算法,并融合风险度量算法形成基于区块链的异常交易风险预警与数据共享方法,使用中能够通过区块链技术结合联邦学习,实现数据存储和共享,结合多种渠道共享数据,完善数据模型构建,以达成风险预警及自动上报预警情况。
Description
技术领域
本发明涉及金融数据处理及金融风险防控技术领域,尤其涉及一种基于网络建模的异常交易风险预警方法及系统。
背景技术
随着世界经济一体化进程的逐步加快,金融作为现代经济的核心,其交易规模日益庞大,交易手段不断翻新。在提供更加便捷服务的同时,也必须时刻关注防止不法分子通过银行等金融渠道转移资金或财产掩饰其非法所得或为犯罪行为提供资助,同时也必须保证客户资金安全,预防电信诈骗等造成客户资金损失。因此,需要金融业利用数据分析的方法筛选异常交易数据以及时进行预警处理。
金融交易数据中存在两种数据:海量的正常交易数据和少量的异常交易数据(可疑交易行为数据)。异常交易检测的任务就是要在海量数据中找出少量的可疑金融交易记录。随着各行各业数据资源的数量和复杂性在大大增加。如果运用手工操作提取交易数据的特征并对交易数据进行分析几乎是不可能的,必须通过计算机算法等方式,智能化的对数据信息进行分析,获取可能存在的风险情况,并且做出预警检测警报,能及时提醒商业银行并采取正确的挽救措施,从而减轻银行的风险及客户异常资金的情况,达到交易行为监管可控。
由于在大量的业务数据中,绝大部分的交易数据为正常数据,导致异常交易的数据量较少,导致的一大问题是用于数据分析的可观测的分离特征不足。特比是对于浩繁的资金支付交易信息,如果缺乏必要的训练样本集,数据的缺失会严重影响模型的精度;过多的采集并分析交易数据也会增大客户隐私泄露的风险。同时,使用模型拟合的风险预警还往往存在着模型解释性差、难以根据实时数据等缺点。
发明内容
为解决现有技术的不足,本发明提出一种基于网络建模的异常交易风险预警方法及系统,基于多种数据及其联系,构建基于复杂网络建模的异常交易风险度量算法,并融合风险度量算法形成基于区块链的异常交易风险预警与数据共享方法,使用中能够通过区块链技术结合联邦学习,实现数据存储和共享,结合多种渠道共享数据,完善数据模型构建,以达成风险预警及自动上报预警情况。
为实现以上目的,本发明所采用的技术方案包括:
一种基于网络建模的异常交易风险预警方法,其特征在于,包括:
S1、各区块链节点分别采集获得第一数据集和第二数据集,所述第一数据集包括交易主数据,所述第二数据集包括辅助数据;
S2、从第一数据集和第二数据集提取第一数据特征集;
S3、对第一数据特征组执行特征筛选获得第二数据特征集,所述第二数据特征组包括客户信息特征子集、交易信息特征子集和异常交易特征子集;
S4、使用客户信息特征子集、交易信息特征子集和异常交易特征子集中的各特征为节点、各特征之间的相似性为边,构建异常交易风险度量网络,所述异常交易风险度量网络包括各节点和各边对应的权重计算模型和风险阈值;
S5、各区块链节点将生成的异常交易风险度量网络上链并交叉验证,生成全局模型;
S6、各区块链节点使用全局模型审核实时交易数据生成异常交易风险预警信息,并将异常交易风险预警信息上链形成不可修改的共识记录。
进一步地,所述交易主数据包括以预设可信数据源直接采集获得的交易相关数据;
所述辅助数据包括以非预设可信数据源直接采集获得的交易相关数据,和/或,通过采集的数据经二次加工处理后获得的交易相关数据。
进一步地,所述步骤S1还包括:
对采集到的数据进行预处理,所述预处理包括对缺失值进行预测补充、过采样处理和统一量纲处理中的一种或多种组合。
进一步地,所述步骤S2包括采用PCA、ICA、LDA中的任意一种或多种组合对第一数据集和第二数据集中的原始数据执行数据降维操作。
进一步地,所述步骤S3包括采用最大信息系数、皮尔森相关系数、正则化方法、特征排序方法中的任意一种或多种组合对第一数据特征组中的特征进行筛选。
进一步地,所述步骤S2还包括:
对第一数据特征组中的特征添加等级标签,所述等级标签包括对应第一数据集来源的主标签和对应第二数据集来源的辅助标签。
进一步地,所述步骤S4还包括:
根据等级标签调整权重计算模型和风险阈值。
本发明还涉及一种基于网络建模的异常交易风险预警系统,其特征在于,包括:
区块链节点,包括数据采集模块、特征识别模块、模型生成模块和风险识别模块;
模型验证模块,通过区块链连接若干个区块链节点,用于交叉验证各区块链节点上链的异常交易风险度量网络,生成全局模型;
所述数据采集模块,用于采集获得第一数据集和第二数据集;
所述特征识别模块,用于从第一数据集和第二数据集提取第一数据特征集,并对第一数据特征组执行特征筛选获得第二数据特征集;
所述模型生成模块,用于构建异常交易风险度量网络;
所述风险识别模块,用于使用全局模型审核实时交易数据生成异常交易风险预警信息。
本发明还涉及一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
本发明还涉及一种电子设备,其特征在于,包括处理器和存储器;
所述存储器,用于存储权重计算模型和风险阈值;
所述处理器,用于通过调用权重计算模型和风险阈值,执行上述的方法。
本发明还涉及一种计算机程序产品,包括计算机程序和/或指令,其特征在于,该计算机程序和/或指令被处理器执行时实现上述方法的步骤。
本发明的有益效果为:
采用本发明所述基于网络建模的异常交易风险预警方法及系统,基于多种数据及其联系,构建基于复杂网络建模的异常交易风险度量算法,并融合风险度量算法形成基于区块链的异常交易风险预警与数据共享方法,使用中能够通过区块链技术结合联邦学习,实现数据存储和共享,结合多种渠道共享数据,完善数据模型构建,以达成风险预警及自动上报预警情况。风险模型度量可能存在的交易异常情况,通过区块链技术实现数据的安全存储与共享,还优选的通过联邦学习进行分布式全局模型训练,结合智能合约实现及时准确的异常交易风险预警,各节点对预警达成分布式共识后进行自动上报,改进了异常交易风险预警和上报流程,并且通过区块链的模式保障客户数据安全,在数据共享时,最大化保护客户隐私等数据。
附图说明
图1为本发明基于网络建模的异常交易风险预警方法流程示意图。
图2为本发明基于网络建模的异常交易风险预警系统结构示意图。
具体实施方式
为了更清楚的理解本发明的内容,将结合附图和实施例详细说明。
本发明第一方面涉及一种步骤流程如图1所示的基于网络建模的异常交易风险预警方法,包括:
S1、各区块链节点分别采集获得第一数据集和第二数据集,优选的,对采集到的数据进行预处理,所述预处理包括对缺失值进行预测补充、过采样处理和统一量纲处理中的一种或多种组合。
所述第一数据集包括交易主数据,特别是包括以预设可信数据源直接采集获得的交易相关数据,例如,利用银行内部数据集、中国人民银行征信系统、政府系统等,可以分为不同维度的数据集,包括身份信息特征(个人所在行业、个人名下企业/公司客户企业成立年限、企业规模)、账户信息维度(存款余额、存款年日均余额)、财报信息维度(表内外欠息、净利润、个人收支比例情况)、交易信息维度(年累计交易次数、近一月交易金额)、经营信息(注册资本、实收资本)、风险特征(授信客户四分类代)、产品信息(理财产品持有个数、电子对账签约标志)、行为特征(历史逾期天数、历史逾期次数、历史逾期本金利息)、银监客户风险统计数据(总资产、总负债、是否被列入监管、洗钱风险等级)等,进行加工、集成、统一和综合,建立风险数据库,为交易风险度量提供数据支持。
所述第二数据集包括辅助数据,特别是包括以非预设可信数据源直接采集获得的交易相关数据(非官方数据等),和/或,通过采集的数据经二次加工处理后获得的交易相关数据。例如,可以通过客户交易过程所采集到的音频、视频数据进行对应分析获得高价值的辅助参考信息。对于音频数据的搜集及处理:此类数据量较少,主要来源于结合监听通话记录、网络发布语音等数据,通过音频获取关键词,在交易过程期间、交易过程前后,存在客户需进行告知交易情况的过程,数据集中可以添加存在的音频数据。可以采用马尔可夫模型对音频数据准换为文本数据;再通过文本分词对词语进行分割,可以采用MMSeg算法得到以空格分割的词语序列;利用CBOW(Continuous Bag-of-Words)模型通过词的上下文信息,预测出词向量;采用k-means方法对所有的词向量进行聚类,选择聚类程度较高的词簇,构出关键词网络,可以获取到正负样本的录音文本的关键词,得出相关的数据集。对于影像数据的搜集及处理:此类数据与音频数据类似,数据量较少,在模型建立前,根据客户开户及线下办理业务时搜集的影像,获取图像信息包括姿态、大小、位置等基础人脸信息,并利用水平镜面、高斯模糊、颜色变换等方式,以添加年龄因素的数据,尽量获取更多的人脸样本数据,可以采用生成对抗网络模型。对于年龄阶段的因素可以通过神经网络模型进行模拟,获取区间段的人脸图像的特征数据集,并对各区间段的人脸聚类其相似特征信息,即同一区间段的人脸具有相似的某些米安布特征。此类数据的作用在于,异常交易存在非单次交易,存在团伙交易,其图像数据及特征信息相似的可能性更大。
对于数据集中存在的问题,例如数据存在缺失值等,需要对数据进行预处理。对于连续性变量可采用均值、中位数或利用K近邻方法进行预估弥补缺失值,类别型变量可视为缺失值为一种特征值进行处理。由于异常交易的情况远少于正常交易的情况,因此可以利用过采样处理,将部分连续变量进行离散化处理,以及可以通过等值划分(按照值域均分)和等量划分(按照样本数均分)的方式进行过采样。还可以对数据进行统一量纲处理,对特征进行归一化等操作。
S2、从第一数据集和第二数据集提取第一数据特征集,包括采用PCA、ICA、LDA中的任意一种或多种组合对第一数据集和第二数据集中的原始数据执行数据降维操作。
优选的,还可以对第一数据特征组中的特征添加等级标签,所述等级标签包括对应第一数据集来源的主标签和对应第二数据集来源的辅助标签。通过增加等级标签的方式可以非常简便的对特征重要性、可信性进行定义,从而对后续模型建立操作提供选值依据,减少数据分析、对比过程。
S3、对第一数据特征组执行特征筛选获得第二数据特征集,包括采用最大信息系数、皮尔森相关系数、正则化方法、特征排序方法中的任意一种或多种组合对第一数据特征组中的特征进行筛选,所述第二数据特征组包括客户信息特征子集、交易信息特征子集和异常交易特征子集。
数据维度及其因素较多,且存在高度相似的变量因素,对于拟合模型过程中,避免导致过拟合的情况,对变量进行筛选,且可剔除原本特征中与影响可能产生异常交易的情况关系不大的特征。
典型的,客户不同维度信息特征以所采集的数据集获取;交易信息特征包括交易金额、交易对手信息、交易量等交易过程情况数据;异常交易特征包括洗钱交易、欺诈交易等特征。
S4、使用客户信息特征子集、交易信息特征子集和异常交易特征子集中的各特征为节点、各特征之间的相似性为边,构建异常交易风险度量网络,所述异常交易风险度量网络包括各节点和各边对应的权重计算模型和风险阈值。
特别是优选的,可以根据等级标签调整权重计算模型和风险阈值,既可以选择在运算中直接加入等级标签预设的系数影响,也可以再计算后使用等级标签对计算结果进行对应的调整。
客户与各交易之间的联系包括客户通过不同方式发起交易之间的相似性、不同方式的交易占据率及其与异常交易的相关度;客户与异常交易特征之间的联系包括客户的异常场交易特征的相关性、异常交易特征与历史异常交易场景各维度相比的风险系数;各客户之间的联系包括个人(公司)特征的相似性、客户与各交易场景和异常交易特征之间的联系。权重大于一定阈值的节点和边被包含入一场交易风险网络。
具体的,对于节点权重的表示包括:
对于边权重的表示:
客户之间的边为ci和cj个人/公司特征之间相似度Cij,是客户之间各维度信息的相似度;客户ci和每个交易场景信息ri之间边的权重为该客户出现或隐藏出现在交易场景与其权重的乘积,即其中是指中第i项;客户ci和所具有的异常交易特征fi之间边的权重为其中是中第i项。
对于异常风险表示:
优选的,所得的异常交易风险度量网络(模型)可以在区块链节点内进行单独的检验,例如包括:
精确度,为分类器正确分类的样本数与总数之比给定测试数据集的样本数:
召回率,衡量分类器预测的能力正确地某个类的实例;它也被称为TPR(真实阳性率):
精密度,衡量的是归类为正,实际上是正的:
F1-score,是精度和召回率的谐波平均值:
ROC(接收机工作特性曲线),是显示分类器的可视化技术性能。它代表了敏感性和特异性分类器的ROC曲线是二维的FPR(假阳性率)为X轴的曲线,TPR(真实阳性率)为Y轴,范围ROC曲线从(0,0)到(1,1)。
S5、各区块链节点将生成的异常交易风险度量网络上链并交叉验证,生成全局模型。
优选的,可以应用联邦学习的方法实现交叉验证。联邦学习是一种保证数据隐私的分布式机器学习的框架,多个不同主体通过共享数据模型而非原始数据来实现全局模型的训练。银行A和银行B(区块链节点A和B)共同训练异常交易风险度量模型,各银行在本地的银行信息系统中提取与异常交易相关的样本,提取计算需要的特征,根据事先的商议进行样本对齐,以便于联合模型的建立,各银行计算本地的风险度量模型后上传到区块链;在区块链中各个节点交换验证所有的模型,智能合约根据各个模型的汇总计算全局模型参数,并将其反馈至各银行,同时生成区块存储新的本地模型。然后,银行根据全局模型返回的新参数再次进行训练,多次迭代该过程,直至损失函数收敛,获得最终的全局模型,完成模型训练过程。
S6、各区块链节点使用全局模型审核实时交易数据生成异常交易风险预警信息,并将异常交易风险预警信息上链形成不可修改的共识记录。
通过应用智能合约方法,当风险数值到达阈值时,将基于智能合约的自动预警与银行人员的审核反馈相结合,区域链上各机构对该预警和审核的过程达成共识,并将其记录在区块链上作为责任追溯的依据,最大化达成预警的及时性和准确性。基于智能合约和人机混合决策的共识过程,首先区域内多家银行基于其运营和病例数据计算异常交易风险,当区域异常交易风险达到阈值后,智能合约向银行人员和相关负责人发出预警,银行人员对预警进行审核,若审核通过则自动上报,审核不通过则将结果和原因反馈给预警系统,以纠正其偏差。预警、审核和上报的过程都需要上传到区块链,在各银行对上报结果达成分布式共识之后,将自动向上级部门上报。由于预警、审核、上报的过程被记入区块链,形成了不可篡改的数据记录,便于建立异常交易预警审核责任追溯制度。
通过使用上述方法,基于行内外数据,探析客户交易金额、交易量、客户信息特征等及其联系,提出基于复杂网络建模的异常交易风险度量算法,风险模型度量可能存在交易异常的情况,并且提供对模型进行评估的统计信息,包括:准确性,准确性,召回率,混淆矩阵,F1-Score以及ROC曲线等。通过区块链技术实现数据的安全存储与共享,通过联邦学习进行分布式全局模型训练,结合智能合约和行内各部门专业人员经验实现及时准确的异常交易风险预警,各节点对预警达成分布式共识后进行自动上报。当一定时间内在银行范围内相同情况的异常交易场景明显增多、交易量、交易金额等情况较之从前发生明显变化,异常交易系统性风险超过阈值时,将触发预警,辅助银行人员和银行作出高效准确的管理与决策来防范异常交易风险,以防范非法交易情况、客户被欺诈交易避免受损失情况等。
本发明另一方面还涉及一种基于网络建模的异常交易风险预警系统,其结构如图2所示,包括:
区块链节点,包括数据采集模块、特征识别模块、模型生成模块和风险识别模块。
其中,所述数据采集模块,用于采集获得第一数据集和第二数据集;所述特征识别模块,用于从第一数据集和第二数据集提取第一数据特征集,并对第一数据特征组执行特征筛选获得第二数据特征集;所述模型生成模块,用于构建异常交易风险度量网络;所述风险识别模块,用于使用全局模型审核实时交易数据生成异常交易风险预警信息。
模型验证模块,通过区块链连接若干个区块链节点,用于交叉验证各区块链节点上链的异常交易风险度量网络,生成全局模型。
通过使用该系统,能够执行上述的运算处理方法并实现对应的技术效果。
本发明的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤。
本发明的实施例还提供一种用于执行上述方法的电子设备,作为该方法的实现装置,所述电子设备至少具备有处理器和存储器,特别是该存储器上存储有执行方法所需的数据和相关的计算机程序,例如权重计算模型和风险阈值等,并通过由处理器调用存储器中的数据、程序执行实现方法的全部步骤,并获得对应的技术效果。
优选的,该电子设备可以包含有总线架构,总线可以包括任意数量的互联的总线和桥,总线将包括由一个或多个处理器和存储器的各种电路链接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和接收器和发送器之间提供接口。接收器和发送器可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。处理器负责管理总线和通常的处理,而存储器可以被用于存储处理器在执行操作时所使用的数据。
额外的,所述电子设备还可以进一步包括通信模块、输入单元、音频处理器、显示器、电源等部件。其所采用的处理器(或称为控制器、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,该处理器接收输入并控制电子设备的各个部件的操作;存储器可以是缓存器、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,可储存上述有关的数据信息,此外还可存储执行有关信息的程序,并且处理器可执行该存储器存储的该程序,以实现信息存储或处理等;输入单元用于向处理器提供输入,例如可以为按键或触摸输入装置;电源用于向电子设备提供电力;显示器用于进行图像和文字等显示对象的显示,例如可为LCD显示器。通信模块即为经由天线发送和接收信号的发送机/接收机。通信模块(发送机/接收机)耦合到处理器,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,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)还经由音频处理器耦合到扬声器和麦克风,以经由扬声器提供音频输出,并接收来自麦克风的音频输入,从而实现通常的电信功能。音频处理器可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器还耦合到中央处理器,从而使得可以通过麦克风能够在本机上录音,且使得可以通过扬声器来播放本机上存储的声音。
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系统。
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系统的制造品,该指令系统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,则可对这些实施例做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。
以上所述仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换等都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (11)
1.一种基于网络建模的异常交易风险预警方法,其特征在于,包括:
S1、各区块链节点分别采集获得第一数据集和第二数据集,所述第一数据集包括交易主数据,所述第二数据集包括辅助数据;
S2、从第一数据集和第二数据集提取第一数据特征集;
S3、对第一数据特征组执行特征筛选获得第二数据特征集,所述第二数据特征组包括客户信息特征子集、交易信息特征子集和异常交易特征子集;
S4、使用客户信息特征子集、交易信息特征子集和异常交易特征子集中的各特征为节点、各特征之间的相似性为边,构建异常交易风险度量网络,所述异常交易风险度量网络包括各节点和各边对应的权重计算模型和风险阈值;
S5、各区块链节点将生成的异常交易风险度量网络上链并交叉验证,生成全局模型;
S6、各区块链节点使用全局模型审核实时交易数据生成异常交易风险预警信息,并将异常交易风险预警信息上链形成不可修改的共识记录。
2.如权利要求1所述的方法,其特征在于,所述交易主数据包括以预设可信数据源直接采集获得的交易相关数据;
所述辅助数据包括以非预设可信数据源直接采集获得的交易相关数据,和/或,通过采集的数据经二次加工处理后获得的交易相关数据。
3.如权利要求1所述的方法,其特征在于,所述步骤S1还包括:
对采集到的数据进行预处理,所述预处理包括对缺失值进行预测补充、过采样处理和统一量纲处理中的一种或多种组合。
4.如权利要求1所述的方法,其特征在于,所述步骤S2包括采用PCA、ICA、LDA中的任意一种或多种组合对第一数据集和第二数据集中的原始数据执行数据降维操作。
5.如权利要求1所述的方法,其特征在于,所述步骤S3包括采用最大信息系数、皮尔森相关系数、正则化方法、特征排序方法中的任意一种或多种组合对第一数据特征组中的特征进行筛选。
6.如权利要求1所述的方法,其特征在于,所述步骤S2还包括:
对第一数据特征组中的特征添加等级标签,所述等级标签包括对应第一数据集来源的主标签和对应第二数据集来源的辅助标签。
7.如权利要求6所述的方法,其特征在于,所述步骤S4还包括:
根据等级标签调整权重计算模型和风险阈值。
8.一种基于网络建模的异常交易风险预警系统,其特征在于,包括:
区块链节点,包括数据采集模块、特征识别模块、模型生成模块和风险识别模块;
模型验证模块,通过区块链连接若干个区块链节点,用于交叉验证各区块链节点上链的异常交易风险度量网络,生成全局模型;
所述数据采集模块,用于采集获得第一数据集和第二数据集;
所述特征识别模块,用于从第一数据集和第二数据集提取第一数据特征集,并对第一数据特征组执行特征筛选获得第二数据特征集;
所述模型生成模块,用于构建异常交易风险度量网络;
所述风险识别模块,用于使用全局模型审核实时交易数据生成异常交易风险预警信息。
9.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
10.一种电子设备,其特征在于,包括处理器和存储器;
所述存储器,用于存储权重计算模型和风险阈值;
所述处理器,用于通过调用权重计算模型和风险阈值,执行权利要求1至7中任一项所述的方法。
11.一种计算机程序产品,包括计算机程序和/或指令,其特征在于,该计算机程序和/或指令被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211549001.2A CN115908022A (zh) | 2022-12-05 | 2022-12-05 | 一种基于网络建模的异常交易风险预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211549001.2A CN115908022A (zh) | 2022-12-05 | 2022-12-05 | 一种基于网络建模的异常交易风险预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115908022A true CN115908022A (zh) | 2023-04-04 |
Family
ID=86478678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211549001.2A Pending CN115908022A (zh) | 2022-12-05 | 2022-12-05 | 一种基于网络建模的异常交易风险预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908022A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167833A (zh) * | 2023-04-19 | 2023-05-26 | 无锡数信互融科技发展有限公司 | 基于联邦学习的互联网金融风险控制系统及其方法 |
CN116662434A (zh) * | 2023-06-21 | 2023-08-29 | 河北维嘉信息科技有限公司 | 一种多源异构大数据处理系统 |
CN116668095A (zh) * | 2023-05-16 | 2023-08-29 | 江苏信创网安数据科技有限公司 | 一种网络安全智能评估方法及系统 |
-
2022
- 2022-12-05 CN CN202211549001.2A patent/CN115908022A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167833A (zh) * | 2023-04-19 | 2023-05-26 | 无锡数信互融科技发展有限公司 | 基于联邦学习的互联网金融风险控制系统及其方法 |
CN116167833B (zh) * | 2023-04-19 | 2023-06-30 | 无锡数信互融科技发展有限公司 | 基于联邦学习的互联网金融风险控制系统及其方法 |
CN116668095A (zh) * | 2023-05-16 | 2023-08-29 | 江苏信创网安数据科技有限公司 | 一种网络安全智能评估方法及系统 |
CN116668095B (zh) * | 2023-05-16 | 2024-03-29 | 江苏信创网安数据科技有限公司 | 一种网络安全智能评估方法及系统 |
CN116662434A (zh) * | 2023-06-21 | 2023-08-29 | 河北维嘉信息科技有限公司 | 一种多源异构大数据处理系统 |
CN116662434B (zh) * | 2023-06-21 | 2023-10-13 | 河北维嘉信息科技有限公司 | 一种多源异构大数据处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230009149A1 (en) | System, method and computer program for underwriting and processing of loans using machine learning | |
CN110443692B (zh) | 企业信贷审核方法、装置、设备及计算机可读存储介质 | |
Chen et al. | Fraud detection for financial statements of business groups | |
Li et al. | Reject inference in credit scoring using semi-supervised support vector machines | |
Coşer et al. | PREDICTIVE MODELS FOR LOAN DEFAULT RISK ASSESSMENT. | |
Paleologo et al. | Subagging for credit scoring models | |
US10552735B1 (en) | Applied artificial intelligence technology for processing trade data to detect patterns indicative of potential trade spoofing | |
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 | |
CN115908022A (zh) | 一种基于网络建模的异常交易风险预警方法及系统 | |
CN109492945A (zh) | 企业风险识别监控方法、装置、设备及存储介质 | |
US20220114399A1 (en) | System and method for machine learning fairness testing | |
JP2022520824A (ja) | インテリジェント警告システム | |
CN112215702A (zh) | 信用风险的评估方法、移动终端及计算机存储介质 | |
CN108492001A (zh) | 一种用于担保贷款网络风险管理的方法 | |
Garrido et al. | A Robust profit measure for binary classification model evaluation | |
CN112700324A (zh) | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 | |
CN113434575B (zh) | 基于数据仓库的数据归因处理方法、装置及存储介质 | |
Barman et al. | A complete literature review on financial fraud detection applying data mining techniques | |
CN117556225B (zh) | 一种人行征信数据风险管理系统 | |
CN113420909A (zh) | 一种用户响应信息预测模型建立方法及信息预测方法 | |
CN112634048A (zh) | 一种反洗钱模型的训练方法及装置 | |
Aljojo | Predicting financial risk associated to bitcoin investment by deep learning | |
Lee et al. | Application of machine learning in credit risk scorecard | |
TWM622331U (zh) | 風險預測系統及其設備 | |
CN113421155A (zh) | 钢贸企业画像多维度模型构建方法、风控管理方法及装置 |
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 |