一种异常交易检测方法及系统技术方案

本发明专利技术公开了一种异常交易检测方法及系统，包括对获取的交易数据进行离群点挖掘分析，得到交易行为置信区间；其中，所述交易行为置信区间内对应正常交易数据；以及对交易行为置信区间内的正常交易数据进行特征提取，得到交易行为置信区间内的交易行为特征；以及将偏离所述交易行为置信区间的交易数据确定为异常交易数据，通过对异常交易数据进一步分析提取异常交易行为特征

【技术实现步骤摘要】
一种异常交易检测方法及系统


[0001]本专利技术涉及数据处理
，具体而言，涉及一种异常交易检测方法及系统
。

技术介绍

[0002]随着金融与信息技术快速发展，证券信息安全风险与业务合规风险日益突出，影响了客户的正常投资活动和证券公司正常的经营活动，加大经营机构合规风险和行业监管成本，对证券市场的健康发展带来不利影响
。
目前，主要采用人为筛选黑白名单
、
配置异常决策规则等方法来进行异常交易识别
。
黑白名单
、
决策规则依赖人为经验，存在人为主观因素干扰，因而对异常交易的识别准确度难以提高
。
[0003]针对上述的问题，目前尚未提出有效的解决方案
。

技术实现思路

[0004]本专利技术实施例提供了一种异常交易检测方法及系统，能够对交易数据进行分析，准确的识别出异常交易
。
[0005]根据本专利技术实施例的一个方面，提供了一种异常交易检测方法，包括：
[0006]对获取的交易数据进行离群点挖掘分析，得到交易行为置信区间；其中，所述交易行为置信区间内对应正常交易数据；
[0007]对交易行为置信区间内的正常交易数据进行特征提取，得到所述交易行为置信区间内的交易行为特征；
[0008]将偏离所述交易行为置信区间的交易数据确定为异常交易数据
。
[0009]作为一种可选的实施方式，所述将偏离所述交易行为置信区间的交易数据确定为异常交易数据，包括：
[0010]对偏离所述交易行为置信区间的异常交易数据进行特征提取；
[0011]对所述异常交易特征的异常类型进行识别，得到所述异常交易特征对应的异常类型；其中，所述异常类型包括交易行为异常类型和交易误差异常类型；
[0012]若所述异常交易特征的异常类型为交易行为异常类型，则将所述异常交易特征确定为核心异常交易特征；
[0013]将所述核心异常交易特征对应的交易数据确定为目标异常交易数据
。
[0014]作为一种可选的实施方式，所述将所述异常交易特征确定为核心异常交易特征之后，所述方法还包括：
[0015]对所述交易行为置信区间内的交易行为特征进行全量分析，构建结构化数据集，得到第一知识图谱；
[0016]将所述核心异常交易特征与所述交易行为置信区间内的交易行为特征进行差异化训练，得到第二知识图谱；
[0017]将所述第一知识图谱和所述第二知识图谱确定为多类型知识图谱；
[0018]通过大量的用户交易数据不断进行模型训练，完善知识图谱构建
。
[0019]作为一种可选的实施方式，所述将所述第一知识图谱和所述第二知识图谱确定为多类型知识图谱之后，所述方法还包括：
[0020]确定所述多类型知识图谱中的用户信息；
[0021]从所述多类型知识图谱中提取每个用户信息的关联知识图谱；
[0022]根据关联知识图谱，得到每个用户的历史交易信息网络关系
。
[0023]作为一种可选的实施方式，所述得到每个用户的历史交易信息网络关系之后，所述方法还包括：
[0024]对每个用户的历史交易行为进行推演，挖掘并识别用户交易行为中的异常情形，并根据用户现有数据预测异常事件以及所述预测异常事件的发生概率；
[0025]若所述发生概率大于预设概率阈值，基于所述发生概率对应的预测异常事件生成并输出异常事件预警信息
。
[0026]根据本专利技术实施例的另一方面，还提供了一种异常交易检测系统，包括：
[0027]分析单元，用于对获取的交易数据进行离群点挖掘分析，得到交易行为置信区间；其中，所述交易行为置信区间内对应正常交易数据；
[0028]提取单元，用于对交易行为置信区间内的正常交易数据进行特征提取，得到所述交易行为置信区间内的交易行为特征；
[0029]确定单元，用于将偏离所述交易行为置信区间的交易数据确定为异常交易数据
。
[0030]作为一种可选的实施方式，所述确定单元将偏离所述交易行为置信区间的交易数据确定为异常交易数据的方式具体为：
[0031]对偏离所述交易行为置信区间的异常交易数据进行特征提取；
[0032]对所述异常交易特征的异常类型进行识别，得到所述异常交易特征对应的异常类型；其中，所述异常类型包括交易行为异常类型和交易误差异常类型；
[0033]若所述异常交易特征的异常类型为交易行为异常类型，则将所述异常交易特征确定为核心异常交易特征；
[0034]将所述核心异常交易特征对应的交易数据确定为目标异常交易数据
。
[0035]作为一种可选的实施方式，所述确定单元还用于：
[0036]在将所述异常交易特征确定为核心异常交易特征之后，对所述交易行为置信区间内的交易行为特征进行全量分析，构建结构化数据集，得到第一知识图谱；
[0037]将所述核心异常交易特征与所述交易行为置信区间内的交易行为特征进行差异化训练，得到第二知识图谱；
[0038]将所述第一知识图谱和所述第二知识图谱确定为多类型知识图谱；
[0039]通过大量的用户交易数据不断进行模型训练，完善知识图谱构建
。
[0040]作为一种可选的实施方式，所述确定单元还用于：
[0041]在将所述第一知识图谱和所述第二知识图谱确定为多类型知识图谱之后，确定所述多类型知识图谱中的用户信息；
[0042]从所述多类型知识图谱中提取每个用户信息的关联知识图谱；
[0043]根据关联知识图谱，得到每个用户的历史交易信息网络关系
。
[0044]作为一种可选的实施方式，所述确定单元还用于：
[0045]在得到每个用户的历史交易信息网络关系之后，对每个用户的历史交易行为进行
推演，挖掘并识别用户交易行为中的异常情形，并根据用户现有数据预测异常事件以及所述预测异常事件的发生概率；
[0046]若所述发生概率大于预设概率阈值，基于所述发生概率对应的预测异常事件生成并输出异常事件预警信息
。
[0047]根据本专利技术实施例的又一方面，还提供了一种计算设备，所述计算设备包括：至少一个处理器
、
存储器和输入输出单元；其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行上述异常交易检测方法
。
[0048]根据本专利技术实施例的又一方面，还提供了一种计算机可读存储介质，其包括指令，当其在计算机上运行时，使得计算机执行上述异常交易检测方法
。
[0049]在本专利技术实施例中，可以对获取的交易数据进行离群点挖掘分析，得到交易行为置信区间；其中，所述交易行为置信区间内对应正常交易数据；以及对交易行为置信区间内的正常交易数据进行特征提取，得到交易行为置信区间内的交易行为特征；以及将偏离本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种异常交易检测方法，包括：对获取的交易数据进行离群点挖掘分析，得到交易行为置信区间；其中，所述交易行为置信区间内对应正常交易数据；对交易行为置信区间内的正常交易数据进行特征提取，得到所述交易行为置信区间内的交易行为特征；将偏离所述交易行为置信区间的交易数据确定为异常交易数据
。2.
根据权利要求1所述的异常交易检测方法，所述将偏离所述交易行为置信区间的交易数据确定为异常交易数据，包括：对偏离所述交易行为置信区间的异常交易数据进行特征提取；对所述异常交易特征的异常类型进行识别，得到所述异常交易特征对应的异常类型；其中，所述异常类型包括交易行为异常类型和交易误差异常类型；若所述异常交易特征的异常类型为交易行为异常类型，则将所述异常交易特征确定为核心异常交易特征；将所述核心异常交易特征对应的交易数据确定为目标异常交易数据
。3.
根据权利要求2所述的异常交易检测方法，将所述异常交易特征确定为核心异常交易特征之后，所述方法还包括：对所述交易行为置信区间内的交易行为特征进行全量分析，构建结构化数据集，得到第一知识图谱；将所述核心异常交易特征与所述交易行为置信区间内的交易行为特征进行差异化训练，得到第二知识图谱；将所述第一知识图谱和所述第二知识图谱确定为多类型知识图谱；通过大量的用户交易数据不断进行模型训练，完善知识图谱构建
。4.
根据权利要求3所述的异常交易检测方法，将所述第一知识图谱和所述第二知识图谱确定为多类型知识图谱之后，所述方法还包括：确定所述多类型知识图谱中的用户信息；从所述多类型知识图谱中提取每个用户信息的关联知识图谱；根据关联知识图谱，得到每个用户的历史交易信息网络关系
。5.
根据权利要求4所述的异常交易检测方法，所述得到每个用户的历史交易信息网络关系之后，所述方法还包括：对每个用户的历史交易行为进行推演，挖掘并识别用户交易行为中的异常情形，并根据用户现有数据预测异常事件以及所述预测异常事件的发生概率；若所述发生概率大于预设概率阈值，基于所述发生概率对应的预测异常事件生成并输出异常事件预警信息
。6.
一种异常交易检测系统，包括：分析...

【专利技术属性】
技术研发人员：张丽君，李欢，
申请(专利权)人：深圳市财富趋势科技股份有限公司，
类型：发明
国别省市：