机器学习与反洗钱 可疑金融交易智能甄别技术研究PDF电子书下载

第1章 金融机构反洗钱与可疑交易报告制度 1

1.1 洗钱的一般概念 1

1.1.1 洗钱的起源 1

1.1.2 洗钱罪的构成 2

1.2 洗钱的一般手法 3

1.3 洗钱的危害 6

1.4 中国反洗钱概况 7

1.4.1 中国的洗钱行为 7

1.4.2 中国洗钱监管概况 8

1.4.3 中国洗钱活动的主要形式 9

1.4.4 中国洗钱活动的特点 10

1.5 现阶段中国的反洗钱机制 12

1.5.1 中国反洗钱的法制建设 13

1.5.2 中国反洗钱的机构设置 15

1.6 大额和可疑交易报告 15

1.6.1 大额和可疑交易报告的意义 15

1.6.2 大额和可疑交易报告的内容 16

1.7 可疑交易报告实施的主要问题及其解决思路 23

1.7.1 金融机构反洗钱现状与问题 23

1.7.2 解决问题的思路 24

1.7.3 反洗钱数据智能甄别功能的基本特征 26

1.7.4 利用行为模式识别技术实现智能数据甄别 27

1.8 小结 29

第2章 机器学习概论 31

2.1 机器学习的基本概念及其发展 31

2.1.1 机器学习的定义 31

2.1.2 机器学习的理论框架与研究内容 32

2.1.3 机器学习研究的发展 33

2.2 机器学习系统的基本结构 35

2.3 机器学习分类 37

2.3.1 基于学习策略的分类 37

2.3.2 知识的表示形式 38

2.3.3 应用领域 39

2.3.4 机器学习方法 40

2.4 机器学习与数据挖掘 41

2.4.1 数据挖掘概念 41

2.4.2 数据挖掘的任务和挖掘方法 42

2.4.3 数据挖掘与机器学习的关系 44

2.5 分类算法及其相关知识 47

2.5.1 分类的概念 47

2.5.2 分类算法 48

2.5.3 评估分类模型准确性的尺度 49

2.6 小结 50

第3章 贝叶斯网络学习方法 51

3.1 贝叶斯网络理论的起源与发展 51

3.2 贝叶斯分类器 52

3.2.1 贝叶斯定理 52

3.2.2 贝叶斯分类器的工作原理 53

3.3 对贝叶斯学习技术的评述 57

3.3.1 贝叶斯技术的优势 57

3.3.2 贝叶斯技术在研究领域的应用 58

3.3.3 贝叶斯技术的局限 60

3.4 小结 64

第4章 决策树学习系统 66

4.1 概述 66

4.2 利用决策树进行分类的过程 66

4.3 属性选择度量方法 67

4.3.1 信息增益 68

4.3.2 可伸缩性指标基尼指数（Gini index） 69

4.4 决策树建树算法 71

4.4.1 决策树基本建树算法 71

4.4.2 可伸缩的决策树算法 71

4.4.3 SLIQ算法 72

4.4.4 SPRINT建树算法 72

4.4.5 RAINFOREST雨林算法框架 74

4.5 决策树剪枝 75

4.5.1 对树进行剪枝时应考虑的问题 75

4.5.2 剪枝方法 75

4.5.3 剪枝算法 76

4.6 小结 77

第5章 国内外反洗钱信息系统开发 79

5.1 系统功能模块框架 79

5.1.1 按反洗钱工作机制划分 79

5.1.2 按照部门需求的系统功能分析 80

5.2 国外反洗钱信息系统研究与开发 81

5.2.1 澳大利亚反洗钱系统开发 81

5.2.2 德国反洗钱信息系统建设 84

5.2.3 英国反洗钱信息系统 86

5.2.4 美国FAIS系统 87

5.3 国外反洗钱智能数据分析技术综述 89

5.3.1 概述 89

5.3.2 智能反洗钱技术的工作原理 90

5.4 一个反洗钱智能系统开发过程的实例 92

5.5 国外反洗钱系统典型功能模块 96

5.5.1 风险评估系统 96

5.5.2 行为模式检测技术 97

5.5.3 工作流程管理及报告工具 99

5.6 国内现阶段商业银行反洗钱信息系统开发 100

5.7 系统研究开发存在的主要问题 101

5.7.1 概述 101

5.7.2 国内外理论研究现状 102

5.7.3 当前研究中存在的问题 103

5.8 小结 104

第6章 数据挖掘与离群点检测方法 105

6.1 离群模式的定义 105

6.2 反洗钱离群点检测研究的行业特点 106

6.3 常规数据挖掘研究的内容 107

6.4 离群数据挖掘研究综述 108

6.4.1 异常检测的重要意义 108

6.4.2 异常的定义及检测算法 109

6.4.3 离群挖掘算法的评价 116

6.5 小结 116

第7章 金融交易时间序列的混沌属性分析 118

7.1 时间序列与金融交易行为分析 118

7.2 混沌理论基础 120

7.2.1 确定性与随机性 120

7.2.2 蝴蝶效应与最大Lyapunov指数 121

7.2.3 奇异吸引子与维数 122

7.3 混沌属性判定 123

7.7.1 相空间重构 123

7.7.2 关联维及其计算 127

7.7.3 最大Lyapunov指数计算 128

7.4 金融交易时间序列的混沌属性分析 129

7.5 小结 131

第8章 基于混沌的金融交易行为产生机制识别 132

8.1 混沌建模 132

8.2 RBF神经网络 133

8.2.1 RBF网络的结构 133

8.2.2 RBF网络的函数逼近理论 133

8.2.3 RBF网络的训练方法 135

8.3 可疑金融交易检测 136

8.3.1 混沌背景信号检测原理 136

8.3.2 基于RBF的可疑金融交易检测 137

8.4 数值实验 138

8.5 小结 145

第9章 金融数据的特征提取与相似性度量 146

9.1 现有时间序列的相似性度量方法 146

9.1.1 直接距离法 147

9.1.2 基于傅里叶变换的方法 147

9.1.3 ARMA模型参数法 148

9.1.4 基于规范变换的方法 149

9.1.5 时间弯曲模型法 149

9.1.6 界标模型法 150

9.2 金融数据的特征提取 151

9.2.1 时域功率特征提取 151

9.2.2 基于距离准则的特征选择 154

9.2.3 客户背景特征描述 155

9.3 异构数据集的距离度量 156

9.4 小结 158

第10章 基于一类支持向量机的异常交易判别 159

10.1 机器学习的主要问题 159

10.1.1 问题的表示 160

10.1.2 经验风险最小化 160

10.1.3 复杂性与推广能力 161

10.2 统计学习理论 162

10.2.1 VC维 162

10.2.2 推广性的界 163

10.2.3 结构风险最小化 163

10.3 支持向量机 164

10.3.1 支持向量机 164

10.3.2 一类支持向量机 167

10.3.3 基于HVDM距离的RBF形核函数 169

10.4 基于支持向量机的异常交易判别 169

10.4.1 仿真数据异常检测 170

10.4.2 金融数据异常检测验证 171

10.5 小结 173

第11章 总结与展望 174

11.1 本书工作总结 174

11.2 未来工作展望 176

参考文献 177