链接分析在金融监管中的应用研究

《链接分析在金融监管中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、华中科技大学硕士学位论文链接分析在金融监管中的应用研究姓名：薛蕾申请学位级别：硕士专业：计算机应用技术指导教师：刘芳20060508摘要金融犯罪一般和金融网络的异常资金流动有着紧密的关系，现有的一些金融监管技术和手段对许多隐蔽的异常资金流动方式还无法进行有效的监管。针对这一问题，采用数据挖掘中的链接分析技术，通过分析账户之间资金流动的数量、路径以及频率等特征，可以有效地侦测网络中的异常资金流。侦测异常资金流，如果采用一般的单笔交易追踪法，所需处理的交易量巨大，而链接分析技术的引入能较好解决这一问题。利用链接分析技术的侦测流程如下：以交易账户为侦测对象，对交易目的账户聚

2、类，然后利用交易频度及金额等信息计算账户的可疑级别，最后通过对异常账户的分析，发现异常资金流。整个流程主要分为以下两个阶段：聚类阶段和计算可疑级别并发现异常资金流阶段。聚类阶段是发现频繁进行资金周转的账户簇的过程。由于传统的聚类方法只是依据数据对象在一维或多维属性上的相似性对其进行聚类，很少关注对象之间的链接关系。为了克服上述缺点，首先将账户之间交易的频度、金额等链接关系量化地定义为交易频繁度，并采用了三种基于该频繁度的聚类方法进行聚类：基于链接的向量聚类方法将体现账户之间交易频繁度的向量作为对象进行聚类；基于图分割的聚类方法通过割断交易网络中弱链接即低频繁度交易的方式

3、得到“簇内关联紧密，簇间关联薄弱”的聚类结果；基于关联规则的聚类方法通过寻找最大连通且频繁的集合，得到账户之间更强关联的聚类结果。计算可疑级别并发现异常资金流阶段，根据交易的笔数、累计交易金额以及资金来源方对该账户的资金贡献份额提出了计算账户可疑级别的方法，通过可疑级别确定异常的账户，从而发现它们之间的异常资金流。关键词：数据挖掘，链接分析，聚类，基于链接的聚类，异常资金流IAbstractFinancialcrimesalwayshavecloserelationshipwiththeexceptionalfundflowinfinancialnetworks,som

4、eoftheexistingfinancialsupervisingtechniquesandmeasuresareunabletomonitormanyhiddenformsoffundflows.Inviewofthis,makeuseoflinkanalysistechniqueindataminingfield,itcaneffectivelydetectexceptionalfundflowsinfinancialnetworksviaanalyzingthefeaturesoffundflows,suchasquantities,trailsandfrequ

5、ency.Asingle-transactiontrackingmeasurewastoohardtodetectexceptionalflowsoffundsfortheenormoustransactions.However,theproblemwillbesolvedaftertheintroductionoflinkanalysis.Thedetectingprocesswithlinkanalysisisgivenasfollows:taketheaccountasdetectingobjects,clustertheobjectiveaccounts,and

6、thencalculatethesuspiciousrankoftheaccountaccordingtothetransactionfrequencyandtheamountofmoney.Atlast,findtheexceptionalfundflowsbyanalyzingtheexceptionalaccounts.Theentireprocessconsistsofthefollowingtwophases:phaseofclusteringandphaseofcomputingsuspiciousrankanddiggingouttheexceptiona

7、lfundflows.Clusteringistheprocessofdiscoveringthegroupsinwhichtheaccountstransactwitheachothercontinually.Conventionaldataclusteringalgorithmsidentifygroupsofsimilaritemsinadatasetbasedontheirattributevaluesonly,littleworkindataclusteringfocusesontherelationshipsamongdata