反洗錢（AML）對于現(xiàn)代社會金融體系的健全具有重要意義,因洗錢與其他類型的犯罪活動密切相關(guān),且涉及的資金數(shù)額巨大.本文旨在開發(fā)一種貨幣交易的可疑行為檢測和分類系統(tǒng).首先,根據(jù)貨幣交易過程中所表現(xiàn)出的不同特點(diǎn),將與洗錢相關(guān)犯罪活動分為五類.然后在交易數(shù)據(jù)的基礎(chǔ)上建立了用戶檔案,并從檔案中提取出涉及個(gè)人和網(wǎng)絡(luò)效應(yīng)的特征.結(jié)合這兩種特征,分別建立了兩種基于監(jiān)督學(xué)習(xí)方法的檢測分類模型.結(jié)果表明,兩種模型均具有較好的準(zhǔn)確度和召回率以及良好的魯棒性,可進(jìn)一步調(diào)整,以供實(shí)際應(yīng)用.最后,將兩個(gè)模型串聯(lián)起來,結(jié)果顯示了相對較好的整體性能,以及驗(yàn)證了系統(tǒng)的可行性. 

【文章來源】：小型微型計(jì)算機(jī)系統(tǒng). 2019,40(10)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

反洗錢系統(tǒng)流程圖

:167552，1:1047)的不對稱性是反洗錢研究的一個(gè)常見問題，如果處理不當(dāng)會降低模型的準(zhǔn)確性．LＲ最容易受到這里采用的三種算法之間的不平衡的影響．如果沒有采取補(bǔ)救措施，那么將趨向于將所有類別歸類為類別0以最小化損失函數(shù)．為了克服這一問題，人們開發(fā)了幾種方法，如過度抽樣、抽樣不足、重量變化等．本文應(yīng)用第三種方法，即調(diào)整損失函數(shù)中正樣本和負(fù)樣本的權(quán)重，以平衡兩類樣本．結(jié)果表明這是有效的．6．2結(jié)果以及評估測試集的混淆矩陣如表4-表6所示．精確率，召回率，F(xiàn)1，crossvalidationscores和AUC如表7所示．圖2顯示了使用LＲ預(yù)測的欺詐概率．表4邏輯回歸模型的混淆矩陣Table4Confusionmatrixforlogisticregressionmodel預(yù)測真實(shí)正負(fù)正21217負(fù)6233429表5MLP模型的混淆矩陣Table5ConfusionmatrixforMLPmodel預(yù)測真實(shí)正負(fù)正20227負(fù)1033481表6梯度增強(qiáng)模型的混淆矩陣Table6Confusionmatrixforgradientboostingmodel預(yù)測真實(shí)正負(fù)正21712負(fù)4033451圖2使用LＲ預(yù)測欺詐概率Fig．2PredictedprobabilityoffraudusingLＲ三種型號的主要參數(shù)如下:LＲ:C=50，class_weight={0:0．06，1:0．94}，solver='liblinear'，penalty='l1'．MLP:activation='relu'，max_iter=200，hidden_layer_size=(50，)．GB:max_depth=2，n_estimator=100．上述結(jié)果表明，該模型在訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集上都具有良好的功能，基本上適用于實(shí)際應(yīng)用．在參數(shù)優(yōu)化過程中，目標(biāo)設(shè)定為最大化F1分?jǐn)?shù)．但在實(shí)際情況下可能會發(fā)生變化．在大多數(shù)情況下，在線監(jiān)控系統(tǒng)判斷并鎖定目標(biāo)群體之后，人工分析師將根據(jù)他們的經(jīng)驗(yàn)進(jìn)行進(jìn)一步調(diào)查．通過表7對3種算法的性能對比，可以發(fā)現(xiàn)MLP算法的精確率高于LＲ以及GB．其Train和Test數(shù)據(jù)集

是合理可行的，并且是反洗錢系統(tǒng)研究多分類問題的良好開端．由表8性能指標(biāo)分析可得出，MLP表8性能指標(biāo)Table8Performanceindicators模型精確率/%召回率/%F1/%SVM88．1387．8887．89LＲ87．5387．6887．59MLP90．4290．5990．48在精確率、召回率和F1的性能表現(xiàn)優(yōu)于SVM以及LＲ．因此，模型二選用MLP為多分類算法．目前的一個(gè)局限是，隨著經(jīng)濟(jì)和犯罪技術(shù)的發(fā)展，為了保持對犯罪類型預(yù)測的良好準(zhǔn)確性，對犯罪類型的分類應(yīng)該經(jīng)常變化．7．2串聯(lián)模型在分別評估了兩種模型的精度后，我們對模型的性能進(jìn)行了串聯(lián)測試．圖3顯示了系統(tǒng)的概述．在提取和結(jié)合特征之后，模型1用于從測試集鎖定可疑交易集S．然后，在欺詐交易集F上訓(xùn)練模型2(這里排除已經(jīng)由模型1檢測到的欺詐交易，以使模型2的預(yù)測更有說服力)．然后利用模型2對集合S上的犯罪類型進(jìn)行分類，最后將結(jié)果報(bào)告給情報(bào)分析人員，以便進(jìn)一步調(diào)查和判斷．圖3系統(tǒng)運(yùn)行框架Fig．3Systemframework基于對模型一以及模型二的單獨(dú)分析，應(yīng)用MLP來訓(xùn)練模型1和2的系列．每個(gè)模型的主要參數(shù)如下．模型1:MLP:activation='tanh'，max_iter=200，hidden_layer_size=(100，)．模型2:MLP:activation='tanh'，max_iter=500，hidden_layer_size=(200，)．混淆矩陣如等式(5)所示．召回率為78．61%，準(zhǔn)確率為74．63%，F(xiàn)1為76．56%．MMLP=03132105411000031310013560001012800000012(5)結(jié)果表明，性能比較滿意，雖然這兩種模型單獨(dú)使用時(shí)效果都不理想(只有對詐騙罪的判斷和對犯罪的分類同時(shí)正確時(shí)，預(yù)測才是正確的，這是一個(gè)更嚴(yán)格的要求)，它仍然為實(shí)際應(yīng)用和未來研究具有積極的意義．8結(jié)論和未來的工作本文采用監(jiān)督學(xué)習(xí)的方法，建立了一個(gè)基于交易

【參考文獻(xiàn)】：
期刊論文
[1]特征選擇與Logistic回歸相結(jié)合的擔(dān)保圈風(fēng)險(xiǎn)識別方法[J]. 劉亞,李華,鄭冰,趙文欣.  小型微型計(jì)算機(jī)系統(tǒng). 2019(08)
[2]粒計(jì)算思維下的BP神經(jīng)網(wǎng)絡(luò)在金融趨勢預(yù)測中的應(yīng)用[J]. 沈澤君,楊文元.  小型微型計(jì)算機(jī)系統(tǒng). 2019(03)
[3]基于小波分析的可疑金融交易時(shí)間序列研究[J]. 張成虎,趙小虎.  現(xiàn)代管理科學(xué). 2009(07)
[4]基于反洗錢應(yīng)用的一種有效的增量聚類算法[J]. 孫小林,盧正鼎.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2004(11)



本文編號：3240183