基于朴素贝叶斯分类的可疑金融交易识别研究

随着我国反洗钱活动中大额与可疑交易报告制度的不断完善,面对不断增长的交易报告数据,如何有效地从中检测出可疑交易是当前我国反洗钱工作中面临的核心问题之一。朴素贝叶斯分类是数据挖掘方法的一种,通过对案例数据的训练学习达到对未知类标识的样本分类。基于朴素贝叶斯分类的思想设计了适用于反洗钱中可疑交易识别的贝叶斯分类算法及模型,用数据对该算法进行了实验验证,并提出了与聚类算法相结合的综合运用设想。

基于小波分析的可疑金融交易时间序列研究

小波分析在数学上具有严格意义上的突变点诊断能力,不依赖于经验模型,适合检测金融交易序列中的可疑成份。文章针对可疑金融交易特征,探讨借助小波分析方法在信号奇异性检测方面具有的独特优势,从金融交易序列中识别出具有异常交易行为特征的账户。实验结果验证了该方法的可行性和有效性。

基于时间序列孤立点检测的可疑外汇资金交易识别研究

尽管洗钱模式复杂多变,但洗钱行为在整个金融活动中只占有极少的比例,这给监测洗钱交易增加了难度。作为数据挖掘重要方法之一的孤立点分析是在大数据集中发现有趣小模式的有效方法。文章提出了一种适用于可疑外汇资金交易识别的孤立点检测方法,可以持续地从大量的日常交易中发现极少数的与正常交易显著不同的异常交易。从孤立点分析角度,提出了基于非频繁模式挖掘思想和概念漂移处理的混合属性空间上时间序列孤立点检测方法;从可疑金融交易识别的角度,提出了对每天持续动态产生的海量金融交易数据进行分析的一种新思路。

基于聚类算法的金融交易离群点识别

随着国家经济的逐渐发展,金融交易活动日渐频繁,交易产生的数据复杂而数量庞大,使得检测洗钱交易的进行变得困难,寻找能以较高准确度在海量数据中检测可疑金融交易算法成为关键。而洗钱金融交易行为相较于正常金融交易而言,发生的概率小且随机性强,处于与正常交易孤立的"离群"状态。针对这一特点,本文将在国内外现在有的关于金融可疑交易数据检测的研究基础上,提出建立在完整金融交易监控系统上的以聚类算法为基础的金融交易离群点检测算法,实现可疑金融行为的识别。