基于数据挖掘的洗钱交易识别研究

随着经济全球化步伐的不断加快,洗钱犯罪日益成为世界性公害.文章通过分析海量金融交易信息,甄别可疑金融交易进而发现洗钱线索,成为反洗钱的研究重点.面对复杂多变的交易情形,通过对金融交易信息的层次分析,针对性的选择数据挖掘方法予以识别,进而借助概率统计规则将每一类可疑金融交易数据挖掘方法得出的可疑线索进行归纳分析,得到交易记录的整体可疑度,为洗钱交易识别提供准确线索,最后通过真实交易数据验证了该方法的可行性和有效性.     

统计方法在反洗钱可疑交易鉴别中的应用

文章从截面数据和时间序列数据两方面对统计方法在我国反洗钱可疑交易鉴别中的应用问题作了探讨,并结合某家上市公司的现金交易数据对统计方法在反洗钱可疑交易鉴别中的具体应用作了实证分析.文章的结论是统计方法可以有效地鉴别出与一贯交易习惯明显不符的异常交易.     

两种时间序列孤立点挖掘方法的比较

一、引言在传统的观念中 ,孤立点常常被认为是噪声数据或无用数据 ,常用的方法是排除这些干扰数据。然而 ,一个对象的噪声可能是另一个对象的信号 ,这可能导致重要的隐藏信息丢失。因此 ,识别这些孤立点 ,挖掘隐藏信息也是我们的一个重要的任务。从实际来看 ,它能用于欺诈监测 ,例如探测不寻常的信用卡使用或电信服务。此外 ,在市场分析中用于确定极低或极高收入的客户消费行为 ,或在医疗分析中用于发现多种治疗方式的不寻常的反应。这样 ,孤立点地探测和分析是一个有趣的数据挖掘任务 ,被称为孤立点挖掘 (OutlierMining)。目前该领域已取…     

基于改进的两阶段聚类方法在金融可疑识别中的应用

聚类方法可以有效反映出不同类型客户的行为特征,从而利于识别出可疑交易。文章结合证券公司客户真实交易数据和人工数据,采用Clementine进行建模实现聚类过程,识别出了异常值并计算可疑记录的可疑程度,可为金融情报部门提供高质量的调查数据,有效减缓金融情报部门工作人员的负担。     

高维大数据基因网络中的社区发现——以NC方法为例

从大量基因中识别出致病基因是大数据下的一个十分重要的高维统计问题。基因间网络结构的存在使得对于致病基因的识别已从单个基因识别扩展到基因模块识别。从基因网络中挖掘出基因模块就是所谓的社区发现（或节点聚类）问题。绝大多数社区发现方法仅利用网络结构信息，而忽略节点本身的信息。Newman和Clauset于2016年提出了一个将二者有机结合的基于统计推断的社区发现方法（简称为NC方法）。本文以NC方法为案例，介绍统计方法在实际基因网络中的应用和取得的成果，并从统计学角度提出了改进措施。通过对NC方法的分析可以看出对于以基因网络为代表的非结构化数据，统计思想和原理在数据分析中仍然处于核心地位。而相应的统计方法则需要针对数据的特点及关心的问题进行相应的调整和优化。     

交易信息、跳跃发现与波动率估计

在高频金融数据研究中,估计金融资产价格序列积分波动率时,往往需要考虑市场微观结构噪声与资产价格跳跃的影响.本文将市场微观结构噪声部分地表示成交易信息的参数函数,并结合资产收益序列的跳跃特征,提出资产收益的高斯混合模型.本文利用EM算法进行噪声参数估计的同时,识别资产价格的跳跃,进而提出一种新的积分波动率的估计量.本文提出的方法可以视为Li等(2016)的改进,并在模拟研究中,得到了比Li等(2016)更好的参数估计效果,且即使在跳跃幅度分布误设的情况下,也具有良好的识别跳跃的功能.在应用举例中,对比了本文方法与Lee和Mykland(2008)的跳跃发现方法,论证了本文的模型在识别跳跃方面的可靠性.     

国有银行金融交易与金融风险实证分析

我国国有银行向商业银行转轨是在特殊的体制和人文环境条件下动作的 ,金融交易和金融风险主要集中在存款和贷款上 ,加之国有银行、地方政府、企业多元主体参与交易 ,使国有银行金融风险以特有的方式累积。文章从实证的角度出发 ,以较新的充实数据论述了国有银行金融交易量的变化特征和其金融风险之状况     

纤维丛与金融统计

 本文探讨了纤维丛理论与金融统计数据之间的关系。从纤维丛所表示的统计空间、会计空间二者的综合性与细致性的角度对金融交易数据的传统统计方法、会计方法进行了比较分析。     

第三方物流产品结构的改进

有效的识别第三方物流企业当前的产品结构,分析并不断改进产品结构是促进第三方物流企业发展的关键因素之一.本文运用模糊聚类分析,从微观提出了一种产品结构模型和产品结构设计模型,并在此基础上从宏观角度得出了第三方物流企业产品结构的发展模式.     

基于最近邻分析的空气质量时空数据异常点识别

空气质量数据具有在时间上连续、空间上相关的特点,这提高了异常点识别的难度.本文提出在时间维度上运用移动平均法,在空间维度上运用反距离加权法对观测值进行预测并求残差的解决思路,从而将时空数据的异常点识别问题转化为二维残差值的异常点检测问题.通过仿真验证表明新方法具有良好的检出力.最后将新方法应用于北京市实际观测数据,取得了满意的识别效果.     

众包竞赛的离群点欺诈用户检测算法研究

针对基于众包竞赛中欺诈者筛除机制的黄金标准数据方法、聚类算法的离群点检测算法K-means-算法和DBSCAN算法,依赖于事先给定的参数,不适合大规模数据集检测的问题,提出基于样本连通图的离群点检测算法。首先,给定参数并重复调用离群点检测算法,识别数据中的离群点和聚类;其次,计算每两个样本之间的连接次数和连接强度,在给定连接强度下界δ的情况下,根据样本的连接强度来构造样本之间的连通图;最后,根据样本之间的连通情况,对样本进行标记,把样本标记为聚类节点和离群点。实验结果表明,该算法在放宽参数设置范围的情况下,缩小了离群点个数波动范围,提升了离群点识别准确率,优于对比算法和经典的黄金标准数据方法。     

使用边际似然函数识别变结构模型

 波动率模型中结构化变点的识别一直是计量经济学中一个备受关注但却很困难的问题。本文将贝叶斯方法引入波动率模型中,并使用边际似然函数的方法来识别模型变点,避免了传统计量方法中缺陷。此外,通过在对两种边际似然函数的计算方法的对比,我们发现这两种方法在进行模型比较和模型选择时都非常有效。实证研究中,本文使用了美国股票市场的数据,有效的识别出美国股市中的结构化变化的次数和变点发生的时间,并对美国股市结构化变动的原因进行了初步探讨。     

股票日内交易数据特征和波幅的分析

一、引言随着计算技术的发展和存储成本的降低 ,人们已经可以获取和分析日内股票交易的数据 ,这些数据对于金融市场研究的重要领域———金融市场微结构理论和实证金融经济计量学的研究产生了重要推动作用。 90年代以来 ,在实证金融经济计量研究中出现了对高频金融数据建模和分析的领域 ,即以日内交易数据为基础 ,去揭示交易过程的机制和统计特征。高频金融交易数据分析模型从 90年代开始迅速发展 ,目前已广泛地用于金融市场微结构理论的应用和实证检验。在有关研究领域中 ,市场参与者的行为以及交易过程的统计规律和特征的描述是研究关注的…     

多源异常检测的整合单类SVM方法及应用

异常检测作为一种智能化的数据管控手段，在网络入侵检测、欺诈识别和故障检测等场景中都扮演着重要角色。大数据时代下，数据来源众多，给多源数据集的异常检测建模分析带来了较大挑战。本文将惩罚整合分析的思想应用到异常检测中，通过对不同数据集的模型系数差异进行惩罚，提出了基于多源数据的整合单类SVM异常检测方法。该方法可以同时对多源数据进行异常检测并自动将相似数据集聚为一类，可以大幅减少模型待估参数个数并降低后期维护成本。模拟实验表明，本文提出的方法不仅能准确将数据集聚类，而且模型预测效果优于合并数据集建模和每个数据集单独建模。该方法在某银行网站日志异常检测中也有较好的表现。     

基于图形分析方法的函数型数据异常值检验实证研究

函数型数据本质上是一种复杂数据,其抽样、生成、结构和关联程度都会影响到数据的复杂性和描述性,有些情形甚至连基本的可视化描述都成为难点。在利用函数型数据的主成分得分、图基的数据深度和密度概念的基础上,引入函数型数据的打包图和箱线图,并针对函数型数据的图形分析提出了函数型数据异常值检测的三种方法。与已有的检测方法相比较,所提三种方法更易于识别函数型数据的异常值。     

一种工程建造的工作流可靠性度量方法

精益建造将生产到产品交付的过程看作是一个连续的工作流,如何提高工作流的可靠性和构建持续流已成为研究的焦点.文章根据精益建造中流的理论分析了导致工作流不可靠的原因,从促进工作流持续改进的角度剖析了目前用来度量工作流可靠性的常用方法--计划完成比(PPC)--的不足,提出了一种可促进工作流持续改进的工作流可靠性度量方法,为构建持续流以及优化工程项目提供了一种可行方案.     

函数数据聚类分析方法探析

函数数据是目前数据分析中新出现的一种数据类型,它同时具有时间序列和横截面数据的特征,通常可以描述为关于某一变量的函数图像,在实际应用中具有很强的实用性。首先简要分析函数数据的一些基本特征和目前提出的一些函数数据聚类方法,如均匀修正的函数数据K均值聚类方法、函数数据层次聚类方法等,并在此基础上,从函数特征分析的角度探讨了函数数据聚类方法,提出了一种基于导数分析的函数数据区间聚类分析方法,并利用中国中部六省的就业人口数据对该方法进行实证分析,取得了聚类结果。     

协整技术在股票开盘价预测中的应用

本文从集合竞价的交易机制的信息传递角度出发,利用因果检验方法找出影响开盘价形成的因素,认为前一日交易的收盘价是最主要的影响因素.然后利用协整技术建立关于开盘价和收盘价的协整模型,并运用该模型进行事后预测,并对其有效性进行了检验.最后,对该模型成立的原因进行经济分析,并指出其股票价格的发现功能.     

持续期间、交易量、波动率与知情交易

内容提要：Admati和Pfleiderer [1]认为交易强度的增加,可能来自于知情交易也可能来自于流动性交易。本文通过分析中国股票市场上持续期间、交易量和波动率之间的关系,提供了识别知情交易和流动性交易的证据。与国外相关研究结论均不同的是,本文的实证结果认为：波动率与持续期间之间存在非线性关系,交易量较小时,交易强度的增加主要来自于流动性交易;而交易量较大时,交易强度的增加主要来自于知情交易。最后,本文对以上实证结果进行了稳健性检验,通过分析波动率日内特征对实证结果的影响,本文还发现,中国股票市场的知情交易通常发生在刚开盘的阶段。     

改进型RBF神经网络在股票市场预测中的应用

在研究神经网络算法和主成分分析理论的基础上,针对股票市场的高度非线性特征,结合主成分分析预处理方法,对原始交易数据进行降维,减少数据规模,提出一种改进的RBF神经网络模型对股票市场进行预测.通过实验对比表明,文章提出的模型具有收敛速度快、预测准确度高等特点,应用前景较好.