机器学习与反洗钱 可疑金融交易智能甄别技术研究2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

机器学习与反洗钱 可疑金融交易智能甄别技术研究PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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