[发明专利]一种可疑风险交易筛查方法与相应系统

说明书

一种可疑风险交易筛查方法(200)，该方法包括如下步骤：获取已知客户信息数据(201)，其中所述已知客户信息数据包括已知客户交易信息数据和已知客户个人信息数据；由所述已知客户信息数据计算已知客户交易特征(202)；根据所述计算的已知客户交易特征利用邻近采样随机森林方法训练客户可疑行为筛选模型(203)；根据所述训练好的客户可疑行为筛选模型对目标筛选客户的交易行为进行筛选(204)。

技术领域

本发明涉及金融安全分析技术领域，具体地涉及一种可疑风险交易筛查方法与相应系统。

背景技术

文献CN201510947459.7公开一种可疑交易节点集合侦测方法及装置，其中通过充分考虑节点与节点之间的关联性，节点之间的网络拓扑结构中各个节点之间的关系，来确定出金融网络中的可疑交易节点的集合。

此外，文献CN201510857280.2公开一种应用于反洗钱处理的数据处理系统及方法，其中通过对待进行反洗钱处理的报文进行报文处理、消息收发、状态确认，接入不同的反洗钱系统。

再者，文献CN201610647003.3公开一种洗钱账户的确定方法及装置，其中根据在多个数据样本中的每个数据样本的权重将其进行分类，然后确定目标数据样本，根据目标数据样本对应的账户是否符合预设的洗钱账户标准，来确定是否为洗钱账户。

此外，文献CN201610522577.8还公开一种可疑洗钱账户的确定方法及装置，其中针对用于表示一个账户在设定时间段的设定时长内的交易信息的多个数据样本进行分类，从而获得最佳分类，从特定类数据样本中确定出孤立点数据样本，并且将该孤立点数据样本确定为可疑洗钱账户。

此外，文献CN201710576257.5还公开一种反洗钱系统的异常业务数据筛选方法，其中通过采取异常指标、异常模型筛选的方法，同时筛选方法与业务场景相结合，通过满足该异常模型触发条件的触发方式进行筛选，从而筛选出异常业务数据。

发明内容

本发明所要解决的技术问题在于提供一种将客户可疑交易行为量化之后并借助于人工智能分类识别模型进行判别的方法和相应系统，由此可以基于银行客户交易行为中的已知客户交易的特征，更准确地从目标客户中筛查出具有显著可疑交易行为的客户。

因此，按照本发明的第一方面，提出一种可疑风险交易筛查方法，该方法包括如下步骤：

获取已知客户信息数据，其中所述已知客户信息数据包括已知客户交易信息数据和已知客户个人信息数据；

由所述已知客户信息数据计算已知客户交易特征；

根据所述计算的已知客户交易特征利用邻近采样随机森林方法训练客户可疑行为筛选模型；

根据所述训练好的客户可疑行为筛选模型对目标筛选客户的交易行为进行筛选。

按照本发明提出的可疑风险交易筛查方法的基本构思在于，借助于邻近采样随机森林方法针对非平衡数据集进行分类，以筛除部分正常客户，保留绝大多数可疑交易，有效减少人工筛查的工作量。在此可以把分类理解为，将在银行交易的客户分为具有可疑交易的客户和正常交易的客户。在分类任务中，我们一般将要识别出来的样本称为正向样本，与之相对的称为负向样本。在此，所谓非平衡数据集是指数据集中的正向样本和负向样本的数据量相差很大，使得模型的预测或者分类结果严重倾向于占据多数的样本类，这样得到的准确率是不可信的，比如当数据集中正向样本和负向样本的比例为9:1时。即使它的准确率为90％，也有理由怀疑它将所有的类别都判断为数据多的那一类，从而完全忽略了数据量小的样本。通常在银行的客户交易中，显然具有可疑交易的客户只占据其中很小的一部分，而绝大部分的客户交易都是正常的，因此银行的客户交易数据属于典型的非平衡数据集，从而采用对此非常有针对性的邻近采样随机森林方法进行处理能充分避免上文提到的偏差，从而有效提高预测或筛选的准确度。