[发明专利]一种基于异构金融特征的异常交易识别方法，设备及存储介质

说明书

本发明提供一种基于异构金融特征的异常交易识别方法，设备及存储介质，能够利用疑似异常或与某些确定异常账号相关的大量待检测金融交易流水信息数据，提取自定义交易熵特征和交易活跃度、金额统计特征，并构建异构金融特征向量表示，然后基于异构特征向量利用投票分类器进行待检测交易账号是否为传销异常交易关系的分类识别。本发明提出的可疑金融交易关系识别方法利用金融交易流水数据实现了对交易主体复杂行为规律特征的较丰富的抽象和表达，取得较好的异常金融交易关系检测识别效果。本方法提供的异常金融交易关系检测结果可以辅助相关工作人员进行传销等异常金融活动的侦查研判，在一定程度上可以提高工作效率以及提高研判准确率。

技术领域

本发明涉及金融交易领域，尤其涉及一种基于异构金融特征的异常交易识别方法，设备及存储介质。

背景技术

金融系统是现代经济发展重要支柱之一，随着金融系统的网络化、信息化发展，资本流动加速，金融交易机构如银行每日处理的交易流水可达几百万甚至上千万的量级。而在海量的交易数据中，蕴含着更为复杂的客户交易行为模式和规律等深层信息，利用这些信息可对数据中隐藏的异常的交易行为进行甄别和检测。

当前，尚未有一套基于异构金融特征的有效的机器学习方案，对异常金融交易关系能够进行有效的检测和识别。这里的金融交易关系是指金融交易流水中的交易对手账号，简称交易对。异常金融交易关系表示交易对在交易流水数据中表现出的交易行为异常程度较高，那么相对应的两个交易对手人员的异常程度可能性也较大。

发明内容

为了克服上述现有技术中的不足，本发明提供一种基于异构金融特征的异常交易识别方法，方法包括：

步骤一，对输入的原始金融交易流水数据集，进行数据预处理；数据预处理方式为数据清洗和数据格式归一化处理，以及关键项数据提取，得到关键项数据集合D；构建信息数据集Dtp和账号信息数据集D^c；

步骤二，基于交易对信息数据集Dtp，构建交易熵特征向量数据集合D^tpH；

步骤三，基于交易熵特征向量数据集D^tpH和账号信息数据集D^c，构建数据集的异构金融特征向量集D^tpISO；

步骤四，基于异构金融特征向量数据集D^tpISO，构建训练集Train，以及分别构建三种基分类器模型，然后构建最终的VoteClassifierModel投票分类器预测模型；

步骤五，账号检测识别，对于待检测金融交易流水信息数据集根据步骤一进行预处理操作，得到预处理操作结果关键项数据集D_test，进而提取出交易对信息数据集和账号信息数据集构建交易熵特征向量数据集基于步骤三，基于和数据，计算多维异构特征值，构建异构金融特征向量数据集将输入构建好的VoteClassifierModel投票分类器模型中，进行分类预测，得到最终检测识别结果即对应交易对为传销交易关系的异常概率。

优选地，在步骤一中，提取交易流水中的交易卡号、交易日期、交易金额、摘要说明以及对手账号关键信息项；将交易卡号作为用户的身份标识，交易账号默认为用户交易卡号；基于关键项信息数据集进行数据清洗和格式归一化操作，将带有“进出”标志位的交易金额数据转换成带有正负号的数值，‘进’为正数，‘出’为负数；清洗掉交易金融项绝对值小于50的交易流水数据与交易卡号为空的数据；然后将交易日期按“YYYYMMDDhhmmss”格式进行归一化处理；

经过数据清洗和格式归一化操作后，基于关键项信息数据集，分别构建交易对信息数据集和账号信息数据集。

优选地，步骤一中交易对信息数据集构建方法为：