[发明专利]一种用于异常金融账号检测的金融时间序列分类方法及应用

说明书

本发明涉及一种用于异常金融账号检测的金融时间序列分类方法及应用，该方法能够从异常金融账户和正常金融账户的交易流水数据中构建并扩充金融账户的金融时间序列数据集，使用堆叠多个Block(其中每个Block中包含LocalBiLSTM、Self‑Attention、残差连接、Layer Normalization、Position‑wise Feed‑Forward Networks)的神经网络模型从金融时间序列中同时提取序列的局部和全局模式特征，最后使用softmax分类层进行金融时间序列的分类，最终实现对异常金融账号的检测功能。

技术领域

本发明涉及一种用于异常金融账号检测的金融时间序列分类方法及应用，属于金融 交易安全技术领域。

背景技术

异常金融账号指涉及非法金融行为的交易账卡号，这些账号通常有别于一般账号的 实体经济活动行为，从而呈现出各种异常的行为特征，包括异常的资金流动、异常的交易对象以及异常的交易模式等等。这些非法的金融行为给社会和人民带来了巨大的损失，及时有效地检测识别出异常的金融交易账号将有助于及时制止这类的经济犯罪行为，避免经济损失，从而维护金融市场的安全。金融账号的异常检测通常依赖于金融时间序列，根据账号的历史交易行为模式来进行账号类型识别。金融时间序列是一组在不同时间点上的金融事件根据时间的先后顺序进行排列而得到的一组数列。金融时间序列中蕴含着大量的行为模式信息、数据之间具有强时间相关性与强依赖性，因此通过挖掘金融时序 数据中潜藏的大量信息可以发现异常的金融交易模式，检测到异常金融账号，从而达到 发现非法金融行为的目的。由于当今的金融数据具有数据量大、高速性、多样性、低价 值密度、真实性等特征，利用数据挖掘技术不但可以节约人力成本、节省时间，也更有 利于从大量的金融数据中挖掘出潜在的规律和特征信息，在发现潜在的经济犯罪行为方 面的应用有着深远的意义。

在金融领域获得的时间序列有着与一般的时间序列的特点和共性，因此在对金融时 间序列进行分类分析时，通常可以借鉴时间序列分类技术。传统的时间序列分类方法主要集中在三个方面。一是基于距离的方法，它在原始数据中直接使用一些时间序列相似 性度量方法(如DTW距离或欧式距离)结合分类器(如NN分类器或SVM)来进行分类。 在过去的十年中，DTW距离和最近邻分类器的组合被认为是十分有效的方法。二是基于特 征的方法，它提取一组能够表征时间序列的局部或全局模式的特征，并将其提供给分类 器(如决策树)进行分类。这方面的工作大都在特征向量的构造上，这些特征包括简单 的统计数据(如均值和方差)，以及趋势波动分析和频谱分析等复杂特征。或者在原始时 间序列中寻找具有最大区分能力的时间序列子序列Shapelets，通过识别局部特征达到对 时间序列准确分类的目的。三是基于组合分类器的方法，通过将不同的分类器组合在一 起以实现更高的分类准确率，如PROP、SE、COTE、HIVE-COTE等。传统的时间序列分类 方法需要花费大量的时间对数据进行预处理和特征设计，且随着数据量的增长，传统方 案中的分类方法不仅分类效率低下，数据中潜在的有效信息也极易被忽略。基于深度学 习的时间序列分类方法对输入的时间序列，通过某个神经网络算法进行端到端的训练， 如MLP、FCNs、ResNet、Encoder、MCNN、t-LeNet、MCDCNN、Time-CNN、TWIESN、RNN等， 最后给出时间序列相应的类别。

例如，中国专利文献CN109165950A公开了一种基于金融时间序列特征的异常交易识 别方法，设备及可读存储介质，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，通过神经网络模型自适应提取金融时间序列特征，然后基 于神经网络中线性层和softmax层的运算进行待检测交易账号是否为传销账号的分类识 别。本发明提出的异常金融交易识别方法能够基于Seq2Seq+Soft Attention神经网络模 型自适应提取金融时间序列特征，一定程度上减少了劳动密集型特征工程的投入。利用 较单一类型的金融交易流水数据和较少的特征，能够取得很好的异常金融账号检测识别 效果。

但是，这些方法多是单一的提取局部信息或是全局信息，用于异常金融账号的检测 有待提高。

发明内容