网络银行异常交易检测技术与应用研究
发布时间：2022-01-11 22:38
网络银行,是一种依靠互联网技术和信息技术构筑的在线电子交易系统,银行或其他金融机构能够通过该系统向、客户提供在线的金融服务。近年针对网络银行的高科技犯罪手段层出不穷,其中转账以及电子支付涉及到资金的流转,风险问题尤为突出。如何借助技术手段识别对针对转账以及电子支付等资金交易的犯罪行为,是银行等金融管理机构正面临的风险防控管理的难题。当前股份制商业银行等金融机构等风控管理模型,存在着时效性差、漏检率高等风险。其中异常交易检测等反欺诈技术是整个风控模型的重点。本文重点研究基于深度学习的银行交易反欺诈风控子模块,并对深度学习在银行交易异常交易检测方面的应用和调优。研究深度学习在银行交易数据特征提取方面的应用。本论文主要内容如下:1.提出了一种银行交易数据特征提取方法:特征提取对于提升模型的拟合效果尤为重要。传统特征提取方法采用欧氏距离进行样本点的相似度的度量,无法度量空间向量方向上的差异,本文提出一种使用余弦度量样本空间点之间的相似度的特征提取方法。2.提出了一种基于深度学习的银行交易数据异常检测模型:机器学习模型的神经网络由于采用梯度下降算法进行局部最优解求解,存在拟合速度慢等下,训练过程...
【文章来源】：中国科学院大学(中国科学院深圳先进技术研究院)广东省
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
智能风控管理平台框架
现全局最优求解的方法，彻底的解决了传统深度神经网络的无法实现局部最优问题以及样本标签数量不足等问题。度神经网络技术度信念网络念网络[3]DBN 由多个受限 Boltzman 机器[47]的二层神经网络每个受限 Boltzmann 机的网络中隐藏层用只关联下一个的可 是一种无向的模型，具有可见输入层和隐藏层无层内连接但训练速度快，在逐个受限 Boltzmann 机器的无监督训练过程e Divergence 依次应用于深度信念网络的二层神经网络，从练开始，DBN 可以贪婪地进行训练，逐层达到局部最优，从优。2006 年 Hinton 提出了深度置信网络(DBN)[3]，并为该模学习算法 Contrastive Divergence[49]。在该模型中，DBN 模型而来，训练过程由低到高逐层进行训练，如下图所示：
图 2.3 论文研究框架（1）风控系统核心层：该层是本论文重点研究内容，也是智能风控管理平台的核心模块，本文在专家研究成果的基础上，深入分析当前智能风控管理面临的主要问题，优化神经网络目标函数优化相关算法，优化银行交易数据特征提取方法等关键问题，研究基于机器学习的银行异常交易检测系统。（2）风控数据服务层：本论文在数据存储方面，重点研究网银以及支付系统通过异步消息队列RocketMQ将交易数据同步到大数据中心以及ElasticSearch风控核心存储引擎。网络银行以及支付系统交易量巨大，需要保障消息队列的事务性以及高吞吐性。（3）操作平台层：本论文实时交易监测会通过操作平台接口提供进行大屏展示，使用 jquery 技术实时动态刷新，将监测到的风险事件或可疑的事件进行实时的报表图显示；并通过预警通知接口实时的发送给事件或风控经理。
【参考文献】：
期刊论文
[1]商业银行智能化反欺诈体系建设浅析[J]. 赵泽栋,谭柱钢,朱丹. 中国金融电脑. 2019(06)
[2]银行大数据智能风控平台建设及应用[J]. 李小庆. 中国金融电脑. 2019(04)
[3]几种降维技术在分类问题中的效果评估[J]. 詹鹏伟,谢小姣. 科技创新与应用. 2018(21)
[4]银行异常交易检测方法研究[J]. 金升平,刘钊. 武汉金融. 2018(02)
[5]银行智能化欺诈风险预测模型研究与应用[J]. 田江,刘锦淼. 金融电子化. 2017 (10)
[6]基于流式聚类及增量隐马尔可夫模型的实时反欺诈系统[J]. 李旭瑞,邱雪涛,赵金涛,胡奕. 计算机工程. 2018(06)
博士论文
[1]基于邻近重采样和分类器排序的信用卡欺诈检测中不平衡数据研究[D]. MAIRA ANIS.电子科技大学 2018
[2]余弦度量下的高维数据降维及分类方法研究[D]. 刘胜蓝.大连理工大学 2015
[3]信用评估与信用卡欺诈侦测的智能决策系统研究[D]. 李睿.华南理工大学 2011
[4]基于支持向量机的信用卡信用风险管理模型与技术研究[D]. 陈为民.湖南大学 2009
硕士论文
[1]基于大数据的网络金融异常检测研究[D]. 刘旭旭.兰州大学 2018
[2]基于稀有类分类的信用卡欺诈识别研究[D]. 杨屹.北京工商大学 2013
本文编号：3583574
【文章来源】：中国科学院大学(中国科学院深圳先进技术研究院)广东省
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
智能风控管理平台框架
现全局最优求解的方法，彻底的解决了传统深度神经网络的无法实现局部最优问题以及样本标签数量不足等问题。度神经网络技术度信念网络念网络[3]DBN 由多个受限 Boltzman 机器[47]的二层神经网络每个受限 Boltzmann 机的网络中隐藏层用只关联下一个的可 是一种无向的模型，具有可见输入层和隐藏层无层内连接但训练速度快，在逐个受限 Boltzmann 机器的无监督训练过程e Divergence 依次应用于深度信念网络的二层神经网络，从练开始，DBN 可以贪婪地进行训练，逐层达到局部最优，从优。2006 年 Hinton 提出了深度置信网络(DBN)[3]，并为该模学习算法 Contrastive Divergence[49]。在该模型中，DBN 模型而来，训练过程由低到高逐层进行训练，如下图所示：
图 2.3 论文研究框架（1）风控系统核心层：该层是本论文重点研究内容，也是智能风控管理平台的核心模块，本文在专家研究成果的基础上，深入分析当前智能风控管理面临的主要问题，优化神经网络目标函数优化相关算法，优化银行交易数据特征提取方法等关键问题，研究基于机器学习的银行异常交易检测系统。（2）风控数据服务层：本论文在数据存储方面，重点研究网银以及支付系统通过异步消息队列RocketMQ将交易数据同步到大数据中心以及ElasticSearch风控核心存储引擎。网络银行以及支付系统交易量巨大，需要保障消息队列的事务性以及高吞吐性。（3）操作平台层：本论文实时交易监测会通过操作平台接口提供进行大屏展示，使用 jquery 技术实时动态刷新，将监测到的风险事件或可疑的事件进行实时的报表图显示；并通过预警通知接口实时的发送给事件或风控经理。
【参考文献】：
期刊论文
[1]商业银行智能化反欺诈体系建设浅析[J]. 赵泽栋,谭柱钢,朱丹. 中国金融电脑. 2019(06)
[2]银行大数据智能风控平台建设及应用[J]. 李小庆. 中国金融电脑. 2019(04)
[3]几种降维技术在分类问题中的效果评估[J]. 詹鹏伟,谢小姣. 科技创新与应用. 2018(21)
[4]银行异常交易检测方法研究[J]. 金升平,刘钊. 武汉金融. 2018(02)
[5]银行智能化欺诈风险预测模型研究与应用[J]. 田江,刘锦淼. 金融电子化. 2017 (10)
[6]基于流式聚类及增量隐马尔可夫模型的实时反欺诈系统[J]. 李旭瑞,邱雪涛,赵金涛,胡奕. 计算机工程. 2018(06)
博士论文
[1]基于邻近重采样和分类器排序的信用卡欺诈检测中不平衡数据研究[D]. MAIRA ANIS.电子科技大学 2018
[2]余弦度量下的高维数据降维及分类方法研究[D]. 刘胜蓝.大连理工大学 2015
[3]信用评估与信用卡欺诈侦测的智能决策系统研究[D]. 李睿.华南理工大学 2011
[4]基于支持向量机的信用卡信用风险管理模型与技术研究[D]. 陈为民.湖南大学 2009
硕士论文
[1]基于大数据的网络金融异常检测研究[D]. 刘旭旭.兰州大学 2018
[2]基于稀有类分类的信用卡欺诈识别研究[D]. 杨屹.北京工商大学 2013
本文编号：3583574
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3583574.html
