[发明专利]一种资金交易异常的存款账户识别方法及装置

说明书

本发明属于机器学习技术领域，本发明提供了一种资金交易异常的存款账户识别方法及装置，所述资金交易异常的存款账户识别方法包括：获取多个存款账户的资金交易数据；根据所述资金交易数据以及预生成的lightgbm预测模型在所述多个存款账户中识别资金交易异常的存款账户。本发明采用基于LightGBM的机器学习方法，通过对已确定账户性质的数据集进行训练，最后由账户开立短期内资金交易，预测账户风险程度，最终得出风险账户。相较于其他专家规则监控模型，可以更快的在账户开立短期内实现精准定位风险账户，通过机器学习模型预测，也能有效的避免部署上线后占用过多资源，以此满足输出风险账户的准确度，保证监控需求。

技术领域

本申请属于机器学习技术领域，具体涉及一种资金交易异常的存款账户识别方法及装置。

背景技术

随着金融领域中的企业账户管理体系改革，推动商业银行全面、独立承担企业银行账户合法合规主体责任，并完善新时期的账户风险监控体系就变得极为迫切。而当前对公账户资金交易异常的监控，均是通过对相关涉案账户在资金交易方面的特征分析，制定业务规则监控。该类模型也能较为准确的识别资金交易异常、涉嫌非法金融活动的高风险账户，但这种监控方法不具有前瞻性，无法在账户开立后，短时间内预测账户是否具有风险。因此需要提出一种基于机器学习的方案，尽快、尽早地对开户特征异常以及开户后有可疑资金交易的账户进行准确预警。

对于机器学习算法的选择，提升树是利用加模型与前向分布算法实现学习的优化过程，它有一些高效实现，如XGBoost,pGBRT，GBDT(Gradient Boosting Decision Tree)等。其中GBDT采用负梯度作为划分的指标(信息增益)，XGBoost则利用到二阶导数。他们共同的不足是，计算信息增益需要扫描所有样本，从而找到最优划分点。可以理解的是，这是非常的耗时的。特别是在面对大量数据或者特征维度很高时，它们的效率和扩展性很难使人满意。

发明内容

本发明可用于机器学习在金融方面应用的技术领域，也可用于除金融领域之外的任意领域，本发明公开的资金交易异常的存款账户识别方法及装置的应用领域不做限定。本发明通过对已确定账户性质的数据集进行训练，最后由账户开立短期内资金交易，预测账户风险程度，最终得出风险账户。相较于其他专家规则监控模型，可以更快的在账户开立短期内实现精准定位风险账户，通过机器学习模型预测，也能有效的避免部署上线后占用过多资源，以此满足输出风险账户的准确度，保证监控需求。

为解决上述技术问题，本发明提供以下技术方案：

第一方面，本发明提供一种资金交易异常的存款账户识别方法，包括：

获取多个存款账户的资金交易数据；

根据所述资金交易数据以及预生成的lightgbm预测模型在所述多个存款账户中识别资金交易异常的存款账户。

一实施例中，生成所述lightgbm预测模型包括以下步骤：

利用lightgbm算法，根据所述资金交易数据生成初始模型；

生长所述初始模型中具有最大信息增益的叶节点；

对生长后的叶节点做直方图差优化操作，以生成过渡模型；

根据梯度实例对所述过渡模型进行优化；

利用EFB方法减少优化后的过渡模型中的特征维度，以生成所述lightgbm预测模型。

一实施例中，在所述根据所述资金交易数据以及预生成的lightgbm预测模型在所述多个存款账户中识别资金交易异常的存款账户之前，还包括：

根据所述多个存款账户性质，对所述资金交易数据进行标签；

剔除标签之后的资金交易数据中的异常数据；

对剔除异常数据后的资金交易数据进行标准化操作。