本申请提供了一种配资异常交易识别方法，涉及人工智能技术领域。该方法包括：获取至少一个待识别券商资金账户的特征集，所述特征集包含所述待识别券商资金账户在预设时间内的所有交易特征；将所述特征集上传给软件即服务SaaS服务端，以使所述SaaS服务端基于目标推理服务预测模型输出配资异常交易账户列表；所述目标推理服务预测模型是基于训练样本集对初始推理服务预测模型进行横向联邦学习得到的；所述训练样本集包括：正样本和负样本；所述正样本用于表示不同账户在不同时间段内的交易特征；所述负样本用于表示同一账户在不同时间段内的交易特征。采用本方法能够精准识别交易行为是否为单账户异常交易行为。行为是否为单账户异常交易行为。行为是否为单账户异常交易行为。
【技术实现步骤摘要】
配资异常交易识别方法及装置
[0001]本申请涉及人工智能
，尤其涉及一种配资异常交易识别方法、运维安全审计系统、电子设备及可读存储介质。
技术介绍
[0002]配资是证券市场的专用术语，指根据账户现有资产按照一定比例提供资金从事证券交易的行为。配资是影响股市助涨助跌的一项重要因素。场外配资以线上交易为主，投资门槛低，到账速度快，杠杆倍数高，但是场外配资的方式存在较大市场风险，监管机构难以对其潜在的资金杠杆率进行监控。在监管机构和证券公司针对场外配资行为不断加强监测的形势下，配资机构利用化整为零的方式将资本输入到二级交易市场，为配资客户提供高杠杆资金，即常见的单账户配资模式。在这种模式下，配资人员将保证金打入配资公司设立的个人账户，资金方按照一定杠杆比例打入杠杆资金，供用户进行操作。该账户由配资公司和股民共同掌握，但是该账户对应的第三方银行存管账户并不会交给股民，而是到期后结算盈亏。由于这种模式下，同一实体账户上只有一个配资者进行交易。在一段时间内，这个配资账户的交易行为与正常账户的区别不大，但这种配资模式门槛低，杠杆比例高，这样无形中加大了整个市场的潜在风险。通过传统专家的经验规则识别账户配资异常较为困难。
[0003]因此，现有技术无法精准识别交易行为是否为单账户异常交易行为。
技术实现思路
[0004]为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种配资异常交易识别方法，解决了传统专家经验规则无法精准识别交易行为是否为单账户异常交易行为的问题。
[0005]为了实现上述目的，本申请实施例提供技术方案如下：
[0006]第一方面，本申请的实施例提供一种配资异常交易识别方法，所述方法包括：
[0007]获取至少一个待识别券商资金账户的特征集，所述特征集包含所述待识别券商资金账户在预设时间内的所有交易特征；
[0008]将所述特征集上传给软件即服务SaaS服务端，以使所述SaaS服务端基于目标推理服务预测模型输出配资异常交易账户列表；所述目标推理服务预测模型是基于训练样本集对初始推理服务预测模型进行横向联邦学习得到的；所述训练样本集包括：正样本和负样本；所述正样本用于表示不同账户在不同时间段内的交易特征；所述负样本用于表示同一账户在不同时间段内的交易特征。
[0009]作为本申请实施例一种可选的实施方式，所述获取至少一个待识别券商资金账户的特征集，包括：
[0010]获取至少一个待识别券商资金账户的原始交易数据；
[0011]对至少一组原始交易数据进行特征变换，得到至少一个待识别券商资金账户的特征集。
[0012]作为本申请实施例一种可选的实施方式，所述获取至少一个待识别券商资金账户的原始交易数据，包括：
[0013]基于客户信息表、客户
‑
资金账户对应表、客户
‑
股东账号对应表、终端信息表、股东账户属性表、资金账户余额表、持有表、银证转账明细表、委托明细表、以及成交明细表，获取至少一个待识别券商资金账户的原始交易数据。
[0014]作为本申请实施例一种可选的实施方式，所述目标推理服务预测模型是基于训练样本集对初始推理服务预测模型进行横向联邦学习得到的，包括：
[0015]获取训练样本集；所述训练样本集包括至少一个券商资金账户的特征集；
[0016]将所述训练样本集输入孪生神经网络模型进行训练学习，获取初始推理服务预测模型；
[0017]对所述初始推理服务预测模型进行横向联邦学习，获取目标推理服务预测模型；所述目标推理服务预测模型用于预测所述待识别券商资金账户的交易行为是否为同一用户。
[0018]作为本申请实施例一种可选的实施方式，所述将所述训练样本输入孪生神经网络模型进行训练学习，获取初始推理服务预测模型，包括：
[0019]获取第一样本特征、第二样本特征、第三样本特征以及第四样本特征；其中，所述第一样本特征为第一账户在第一预设时间段内的交易特征，所述第二样本特征为第一账户在第二预设时间段内的交易特征，所述第三样本特征为第二账户在第一预设时间段内的交易特征；所述第四样本特征为第三账户在第二预设时间段内的交易特征；
[0020]根据所述第一样本特征和所述第二样本特征获取负样本，根据所述第三样本特征和所述第四样本特征获取正样本；
[0021]将所述正样本和所述负样本输入孪生神经网络模型，计算相似度，根据所述相似度调整所述孪生神经网络模型的权重参数，得到初始推理服务预测模型。
[0022]作为本申请实施例一种可选的实施方式，所述方法还包括：
[0023]各券商参与方将所述孪生神经网络模型与所述初始推理服务预测模型相比，获取各自对应的模型更新梯度，并将所述模型更新梯度发送给SaaS服务端；
[0024]所述SaaS服务端根据预设加密算法对各个模型更新梯度进行聚合，得到聚合结果；
[0025]根据所述聚合结果更新所述孪生神经网络模型。
[0026]作为本申请实施例一种可选的实施方式，所述方法还包括：
[0027]根据所述配资异常交易账户列表，获取至少一个待识别券商资金账户的交易情况。
[0028]第二方面，本申请实施例提供一种配资异常交易识别装置，包括：
[0029]特征集获取模块，用于获取至少一个待识别券商资金账户的特征集，所述特征集包含所述待识别券商资金账户在预设时间内的所有交易特征；
[0030]异常账户输出模块，用于将所述特征集上传给软件即服务SaaS服务端，以使所述SaaS服务端基于目标推理服务预测模型输出配资异常交易账户列表；所述目标推理服务预测模型是基于训练样本集对初始推理服务预测模型训练得到的；所述训练样本集包括：正样本和负样本；所述正样本用于表示不同账户在不同时间段内的交易特征；所述负样本用
于表示同一账户在不同时间段内的交易特征。
[0031]作为本申请实施例一种可选的实施方式，所述特征集获取模块包括：
[0032]原始数据获取单元，用于获取至少一个待识别券商资金账户的原始交易数据；
[0033]特征变换单元，用于对至少一组原始交易数据进行特征变换，得到至少一个待识别券商资金账户的特征集。
[0034]作为本申请实施例一种可选的实施方式，所述原始数据获取单元用于：
[0035]基于客户信息表、客户
‑
资金账户对应表、客户
‑
股东账号对应表、终端信息表、股东账户属性表、资金账户余额表、持有表、银证转账明细表、委托明细表、以及成交明细表，获取至少一个待识别券商资金账户的原始交易数据。
[0036]作为本申请实施例一种可选的实施方式，所述装置还包括目标模型训练模块，所述目标模型训练模块包括：
[0037]样本获取单元，用于获取训练样本集；所述训练样本集包括至少一个券商资金账户的特征集；
[0038]初始模型获取单元，用于将所述训练样本集输入孪生神本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种配资异常交易识别方法，其特征在于，所述方法包括：获取至少一个待识别券商资金账户的特征集，所述特征集包含所述待识别券商资金账户在预设时间内的所有交易特征；将所述特征集上传给软件即服务SaaS服务端，以使所述SaaS服务端基于目标推理服务预测模型输出配资异常交易账户列表；所述目标推理服务预测模型是基于训练样本集对初始推理服务预测模型进行横向联邦学习得到的；所述训练样本集包括：正样本和负样本；所述正样本用于表示不同账户在不同时间段内的交易特征；所述负样本用于表示同一账户在不同时间段内的交易特征。2.根据权利要求1所述的方法，其特征在于，所述获取至少一个待识别券商资金账户的特征集，包括：获取至少一个待识别券商资金账户的原始交易数据；对至少一组原始交易数据进行特征变换，得到至少一个待识别券商资金账户的特征集。3.根据权利要求2所述的方法，其特征在于，所述获取至少一个待识别券商资金账户的原始交易数据，包括：基于客户信息表、客户
‑
资金账户对应表、客户
‑
股东账号对应表、终端信息表、股东账户属性表、资金账户余额表、持有表、银证转账明细表、委托明细表、以及成交明细表，获取至少一个待识别券商资金账户的原始交易数据。4.根据权利要求1所述的方法，其特征在于，所述目标推理服务预测模型是基于训练样本集对初始推理服务预测模型进行横向联邦学习得到的，包括：获取训练样本集；所述训练样本集包括至少一个券商资金账户的特征集；将所述训练样本集输入孪生神经网络模型进行训练学习，获取初始推理服务预测模型；对所述初始推理服务预测模型进行横向联邦学习，获取目标推理服务预测模型；所述目标推理服务预测模型用于预测所述待识别券商资金账户的交易行为是否为同一用户。5.根据权利要求4所述的方法，其特征在于，所述将所述训练样本输入孪生神经网络模型进行训练学习，获取初始推理服务预测模型，包括：获取第一样本特征、第二样本特征、第三样本特征以及第四样本特征；其中，所述第一样本特征为第一账户在第一预设...
【专利技术属性】
技术研发人员：谭可华，叶文广，吕慧，吴佳瑾，
申请(专利权)人：天云融创数据科技北京有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。