網(wǎng)絡(luò)銀行,是一種依靠互聯(lián)網(wǎng)技術(shù)和信息技術(shù)構(gòu)筑的在線電子交易系統(tǒng),銀行或其他金融機構(gòu)能夠通過該系統(tǒng)向、客戶提供在線的金融服務(wù)。近年針對網(wǎng)絡(luò)銀行的高科技犯罪手段層出不窮,其中轉(zhuǎn)賬以及電子支付涉及到資金的流轉(zhuǎn),風(fēng)險問題尤為突出。如何借助技術(shù)手段識別對針對轉(zhuǎn)賬以及電子支付等資金交易的犯罪行為,是銀行等金融管理機構(gòu)正面臨的風(fēng)險防控管理的難題。當(dāng)前股份制商業(yè)銀行等金融機構(gòu)等風(fēng)控管理模型,存在著時效性差、漏檢率高等風(fēng)險。其中異常交易檢測等反欺詐技術(shù)是整個風(fēng)控模型的重點。本文重點研究基于深度學(xué)習(xí)的銀行交易反欺詐風(fēng)控子模塊,并對深度學(xué)習(xí)在銀行交易異常交易檢測方面的應(yīng)用和調(diào)優(yōu)。研究深度學(xué)習(xí)在銀行交易數(shù)據(jù)特征提取方面的應(yīng)用。本論文主要內(nèi)容如下:1.提出了一種銀行交易數(shù)據(jù)特征提取方法:特征提取對于提升模型的擬合效果尤為重要。傳統(tǒng)特征提取方法采用歐氏距離進(jìn)行樣本點的相似度的度量,無法度量空間向量方向上的差異,本文提出一種使用余弦度量樣本空間點之間的相似度的特征提取方法。2.提出了一種基于深度學(xué)習(xí)的銀行交易數(shù)據(jù)異常檢測模型:機器學(xué)習(xí)模型的神經(jīng)網(wǎng)絡(luò)由于采用梯度下降算法進(jìn)行局部最優(yōu)解求解,存在擬合速度慢等下,訓(xùn)練過程... 

【文章來源】：中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進(jìn)技術(shù)研究院)廣東省

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【部分圖文】：

智能風(fēng)控管理平臺框架

現(xiàn)全局最優(yōu)求解的方法，徹底的解決了傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)的無法實現(xiàn)局部最優(yōu)問題以及樣本標(biāo)簽數(shù)量不足等問題。度神經(jīng)網(wǎng)絡(luò)技術(shù)度信念網(wǎng)絡(luò)念網(wǎng)絡(luò)[3]DBN 由多個受限 Boltzman 機器[47]的二層神經(jīng)網(wǎng)絡(luò)每個受限 Boltzmann 機的網(wǎng)絡(luò)中隱藏層用只關(guān)聯(lián)下一個的可 是一種無向的模型，具有可見輸入層和隱藏層無層內(nèi)連接但訓(xùn)練速度快，在逐個受限 Boltzmann 機器的無監(jiān)督訓(xùn)練過程e Divergence 依次應(yīng)用于深度信念網(wǎng)絡(luò)的二層神經(jīng)網(wǎng)絡(luò)，從練開始，DBN 可以貪婪地進(jìn)行訓(xùn)練，逐層達(dá)到局部最優(yōu)，從優(yōu)。2006 年 Hinton 提出了深度置信網(wǎng)絡(luò)(DBN)[3]，并為該模學(xué)習(xí)算法 Contrastive Divergence[49]。在該模型中，DBN 模型而來，訓(xùn)練過程由低到高逐層進(jìn)行訓(xùn)練，如下圖所示：

圖 2.3 論文研究框架（1）風(fēng)控系統(tǒng)核心層：該層是本論文重點研究內(nèi)容，也是智能風(fēng)控管理平臺的核心模塊，本文在專家研究成果的基礎(chǔ)上，深入分析當(dāng)前智能風(fēng)控管理面臨的主要問題，優(yōu)化神經(jīng)網(wǎng)絡(luò)目標(biāo)函數(shù)優(yōu)化相關(guān)算法，優(yōu)化銀行交易數(shù)據(jù)特征提取方法等關(guān)鍵問題，研究基于機器學(xué)習(xí)的銀行異常交易檢測系統(tǒng)。（2）風(fēng)控數(shù)據(jù)服務(wù)層：本論文在數(shù)據(jù)存儲方面，重點研究網(wǎng)銀以及支付系統(tǒng)通過異步消息隊列RocketMQ將交易數(shù)據(jù)同步到大數(shù)據(jù)中心以及ElasticSearch風(fēng)控核心存儲引擎。網(wǎng)絡(luò)銀行以及支付系統(tǒng)交易量巨大，需要保障消息隊列的事務(wù)性以及高吞吐性。（3）操作平臺層：本論文實時交易監(jiān)測會通過操作平臺接口提供進(jìn)行大屏展示，使用 jquery 技術(shù)實時動態(tài)刷新，將監(jiān)測到的風(fēng)險事件或可疑的事件進(jìn)行實時的報表圖顯示；并通過預(yù)警通知接口實時的發(fā)送給事件或風(fēng)控經(jīng)理。

【參考文獻(xiàn)】：
期刊論文
[1]商業(yè)銀行智能化反欺詐體系建設(shè)淺析[J]. 趙澤棟,譚柱鋼,朱丹.  中國金融電腦. 2019(06)
[2]銀行大數(shù)據(jù)智能風(fēng)控平臺建設(shè)及應(yīng)用[J]. 李小慶.  中國金融電腦. 2019(04)
[3]幾種降維技術(shù)在分類問題中的效果評估[J]. 詹鵬偉,謝小姣.  科技創(chuàng)新與應(yīng)用. 2018(21)
[4]銀行異常交易檢測方法研究[J]. 金升平,劉釗.  武漢金融. 2018(02)
[5]銀行智能化欺詐風(fēng)險預(yù)測模型研究與應(yīng)用[J]. 田江,劉錦淼.  金融電子化. 2017 (10)
[6]基于流式聚類及增量隱馬爾可夫模型的實時反欺詐系統(tǒng)[J]. 李旭瑞,邱雪濤,趙金濤,胡奕.  計算機工程. 2018(06)

博士論文
[1]基于鄰近重采樣和分類器排序的信用卡欺詐檢測中不平衡數(shù)據(jù)研究[D]. MAIRA ANIS.電子科技大學(xué) 2018
[2]余弦度量下的高維數(shù)據(jù)降維及分類方法研究[D]. 劉勝藍(lán).大連理工大學(xué) 2015
[3]信用評估與信用卡欺詐偵測的智能決策系統(tǒng)研究[D]. 李睿.華南理工大學(xué) 2011
[4]基于支持向量機的信用卡信用風(fēng)險管理模型與技術(shù)研究[D]. 陳為民.湖南大學(xué) 2009

碩士論文
[1]基于大數(shù)據(jù)的網(wǎng)絡(luò)金融異常檢測研究[D]. 劉旭旭.蘭州大學(xué) 2018
[2]基于稀有類分類的信用卡欺詐識別研究[D]. 楊屹.北京工商大學(xué) 2013



本文編號：3583574