一种可疑交易案例的辅助甄别方法及***
技术领域
本发明涉及可疑交易甄别技术领域,更为具体来说,本发明为一种可疑交易案例的辅助甄别方法及***。
背景技术
目前,随着人民银行对于反洗钱新规的出台,自主监测模式已经成为各金融机构反洗钱工作的基础,但是传统的自主监测方法必然带来大量的可疑交易的甄别工作,现有技术主要存在如下问题:(1)甄别效果受工作人员的主观因素影响较大,甄别效果参差不齐,难以客观地确定可疑交易案例的可疑程度;(2)需甄别的可疑交易数量庞大,需要消耗大量的人力和物力,投入成本过高;(3)甄别结果的梳理和总结需要大量的文案工作,还需要投入大量的人力,进一步导致可疑交易案例甄别成本明显增加。
因此,如何客观地对可疑交易案例进行甄别,避免甄别过程受到工作人员主观因素的影响以及显著地降低人力和物力成本,成为了本领域技术人员亟待解决的技术问题和始终研究的重点。
发明内容
为了解决现有可疑交易的甄别方法存在的容易受到工作人员的主观因素影响、人力和物力投入成本过高等问题,本发明创新提供了一种可疑交易案例的辅助甄别方法及***,基于客观、全面的甄别流程,本发明将可疑交易的甄别工作智能化、电子化及流程化,不仅显著降低了投入成本,而且甄别过程不受工作人员主观因素的影响,因此,本发明具有甄别过程客观性强、准确性高及效率高等突出优点。
为实现上述的技术目的,本发明公开了一种可疑交易案例的辅助甄别方法,所述辅助甄别方法包括如下步骤;
对待处理交易案例进行线索数据提取,从而得到用于描述待处理交易案例基本特征和风险特征的线索数据提取结果;
以所述线索数据提取结果作为分析依据,对所述待处理交易案例进行总体情况分析、资金流向分析、用户风险分析及交易风险分析,从而得到用于反映上述分析结果的疑点数据;
依据疑点数据包含的疑点个数及各疑点的预设基准分确定出待处理交易案例的风险性质分值;
计算出待处理交易案例的累计发生额;
基于风险矩阵法,将风险性质分值作为风险发生可能性指标、将累计发生额作为风险严重程度指标,根据上述的指标评估可疑交易案例的风险等级,所述风险等级用于反映可疑交易案例的可疑程度。
基于上述的技术方案,本发明能够对待处理交易案例进行有效甄别,通过全新的可疑程度甄别流程和全面的数据分析,本发明能够客观、准确、有效地判断交易案例的可疑程度。
进一步地,各疑点的预设基准分均大于0分且小于100分,通过如下方式确定出待处理交易案例的风险性质分值;
S=A+(100-A)*C;
其中,S表示风险性质分值,A表示各疑点的预设基准分中的最大预设基准分,C表示修正因子,LN表示对数符号,M表示除具有最大基准分的疑点外其他疑点的预设基准分总和,N表示待处理交易案例的疑点个数。
基于上述改进的技术方案,本发明计算风险性质分值的方式具有客观性强、考虑因素全面等突出优点,能够准确地反映出风险发生的可能性。
进一步地,通过如下方式得到待处理交易案例;
对已获取的交易相关数据进行标准化处理,从而将所述交易相关数据转化为多类主题数据,通过所述多类主题数据构建数据集市;
基于所述数据集市,通过数据挖掘方式对数据集市中的多类主题数据进行处理,以得到用于作为异常行为比较标准的基础指标数据;
以所述基础指标数据作为依据,对数据集市中的数据进行特征计算,从而生成第一风险特征数据;
令与所述第一风险特征数据关联的所有交易数据作为数据基础,按照资金的转入转出关系组建基于所述交易数据形成的多个资金交易网络;
将各个资金交易网络分别与预先建立的交易风险模型进行风险特征匹配,以计算各个资金交易网络与交易风险模型的匹配程度,将匹配程度达到风险门限的资金交易网络作为待处理交易案例。
基于上述改进的技术方案,本发明能够提供全面还原交易过程和交易场景的待处理交易案例,为可疑交易案例的甄别工作提供了强有力的数据支持。
进一步地,在组建资金交易网络的过程中,包括如下步骤;
提取与所述第一风险特征数据相关联的所有交易数据,利用所述所有交易数据构建临时风险数据集市;
以资金的转入转出关系作为依据,对临时风险数据集市中的所有交易数据进行分组处理;其中,令同组内的交易数据之间存在转入或转出关系;
将处于同一组内的全部交易数据组建成网络节点间具有转入或转出关系的资金交易网络,所述网络节点为用户、账户、设备中的至少一种。
进一步地,通过如下方式建立交易风险模型;
对洗钱案件数据进行场景化定义,将场景化定义的洗钱案件数据进行分类,从而使属于同一场景的洗钱案件数据在同一个场景类别下;
在任一个场景类别下,提取该场景内洗钱案件数据中的第二风险特征数据,基于第二风险特征数据建立交易风险模型;其中,一种场景类别对应一种交易风险模型。
进一步地,在资金交易网络与交易风险模型进行风险特征匹配时,将与所述资金交易网络对应的第一风险特征数据、与所述交易风险模型对应的第二风险特征数据进行风险特征匹配;
将所述第一风险特征数据与所述第二风险特征数据的风险特征匹配结果进行量化,令量化结果为累加总分值或逻辑表达式;
若量化结果为累加总分值,将所述累加总分值与风险门限对应的预设门限分值进行比较,将大于或等于预设门限分值的累加总分值对应的资金交易网络作为待处理交易案例;
若量化结果为逻辑表达式,将所述逻辑表达式与风险门限对应的预设表达式进行匹配,将与预设表达式匹配的逻辑表达式对应的资金交易网络作为待处理交易案例。
进一步地,在对数据集市中的数据进行特征计算时,包括如下步骤;
通过参照基础指标数据的方式定义风险事件特征,根据所述风险事件特征对数据集市中的数据进行筛选和解析,将解析结果作为第一风险特征数据。
进一步地,所述线索数据提取结果包括基础指标数据、交易风险模型、第一风险特征数据、交易流水数据及用户信息数据,所述交易风险模型和所述第一风险特征数据用于描述待处理交易案例风险特征,所述基础指标数据、所述交易流水数据及所述用户信息数据用于描述待处理交易案例基本特征。
进一步地,所述辅助甄别方法还包括如下步骤;
在确定可疑交易案例的可疑程度后,将分析过程数据和评估结果数据填充至指定模板文件中,从而生成可疑交易案例的辅助甄别报告。
为实现上述技术目的,本发明还公开了一种可疑交易案例的辅助甄别***,所述辅助甄别***包括线索数据提取模块、交易案例分析模块、风险性质确定模块、累计发生额计算模块及可疑程度确定模块;
所述线索数据提取模块,用于对待处理交易案例进行线索数据提取,从而得到用于描述待处理交易案例基本特征和风险特征的线索数据提取结果;
所述交易案例分析模块,用于以所述线索数据提取结果作为分析依据,对所述待处理交易案例进行总体情况分析、资金流向分析、用户风险分析及交易风险分析,从而得到用于反映上述分析结果的疑点数据;
所述风险性质确定模块,用于依据疑点数据包含的疑点个数及各疑点的预设基准分确定出待处理交易案例的风险性质分值;
所述累计发生额计算模块,用于计算出待处理交易案例的累计发生额;
所述可疑程度确定模块,用于基于风险矩阵法,将风险性质分值作为风险发生可能性指标、将累计发生额作为风险严重程度指标,并用于根据上述的指标评估可疑交易案例的风险等级;其中,所述风险等级用于反映可疑交易案例的可疑程度。
基于上述的技术方案,本发明能够对待处理交易案例进行有效甄别,通过全新的可疑程度甄别流程和全面的数据分析,本发明能够客观、准确、有效地判断交易案例的可疑程度。
进一步地,所述辅助甄别***还包括数据集市构建模块、基础指标挖掘模块、风险特征生成模块、交易网络组建模块及交易案例生成模块;
所述数据集市构建模块,用于对已获取的交易相关数据进行标准化处理,从而将所述交易相关数据转化为多类主题数据,并用于通过所述多类主题数据构建数据集市;
所述基础指标挖掘模块,用于基于所述数据集市,通过数据挖掘方式对数据集市中的多类主题数据进行处理,以得到用于作为异常行为比较标准的基础指标数据;
所述风险特征生成模块,用于以所述基础指标数据作为依据,对数据集市中的数据进行特征计算,从而生成第一风险特征数据;
所述交易网络组建模块,用于令与所述第一风险特征数据关联的所有交易数据作为数据基础,用于按照资金的转入转出关系组建基于所述交易数据形成的多个资金交易网络;
所述交易案例生成模块,用于将各个资金交易网络分别与预先建立的交易风险模型进行风险特征匹配,以计算各个资金交易网络与交易风险模型的匹配程度,将匹配程度达到风险门限的资金交易网络作为待处理交易案例。
基于上述改进的技术方案,本发明能够提供全面还原交易过程和交易场景的待处理交易案例,为可疑交易案例的甄别工作提供了强有力的数据支持。
进一步地,所述交易网络组建模块包括临时集市构建单元、交易数据处理单元及交易网络组建单元;
所述临时集市构建单元,用于提取与所述第一风险特征数据相关联的所有交易数据以及利用所述所有交易数据构建临时风险数据集市;
所述交易数据处理单元,用于以资金的转入转出关系作为依据对临时风险数据集市中的所有交易数据进行分组处理,用于令同组内的交易数据之间存在转入或转出关系;
所述交易网络组建单元,用于将处于同一组内的全部交易数据组建成网络节点间具有转入或转出关系的资金交易网络,所述网络节点为用户、账户、设备中的至少一种。
进一步地,所述辅助甄别***还包括风险模型建立模块;
所述风险模型建立模块,用于对洗钱案件数据进行场景化定义,用于将场景化定义的洗钱案件数据进行分类,从而使属于同一场景的洗钱案件数据在同一个场景类别下;在任一个场景类别下,所述风险模型建立模块用于提取该场景内洗钱案件数据中的第二风险特征数据及基于第二风险特征数据建立交易风险模型;其中,一种场景类别对应一种交易风险模型。
进一步地,所述交易案例生成模块,还用于在资金交易网络与交易风险模型进行风险特征匹配时,用于将与所述资金交易网络对应的第一风险特征数据、与所述交易风险模型对应的第二风险特征数据进行风险特征匹配;以及用于将所述第一风险特征数据与所述第二风险特征数据的风险特征匹配结果进行量化、令量化结果为累加总分值或逻辑表达式,以及用于根据量化结果确定待处理交易案例。
进一步地,所述辅助甄别***还包括甄别报告生成模块;
所述甄别报告生成模块,用于在确定可疑交易案例的可疑程度后、将分析过程数据和评估结果数据填充至指定模板文件中,从而生成可疑交易案例的辅助甄别报告。
本发明的有益效果为:本发明能够对可疑交易案例的智能化、自动化甄别,甄别过程不受工作人员主观因素影响,甄别结果和甄别报告的产生完全依据数据分析结果,而不会掺杂任何工作人员的感情色彩,避免人工分析带来的对比偏差;本发明所有的甄别报告,均是自动生成分析结论,保证每个可疑报告均得到有效的分析,并记录分析过程及结论,为后续的复查及抽查留下重要依据;本发明从各个角度进行了大量数据分析,人工排查是无法实现的,本发明能够利用大数据技术在极短的时间内自动生成分析报告,有效节约了数据处理时间,极大地降低了人力和物力投入,本发明采用大量的行内标准值以及关键风险指标对比,自动分析风险存在性及风险级别,极大降低了最终人工判别的难度。所以,本发明具有客观性强、准确度高、全面、高效、智能及留痕等突出优点。
附图说明
图1为可疑交易案例的辅助甄别方法的流程示意图。
图2为待处理交易案例的生成流程示意图。
图3为资金交易网络的建立流程示意图。
图4为网络节点为用户的资金交易网络的示意图。
图5为交易风险模型的建立流程示意图。
图6为可疑交易案例的辅助甄别***的组成框图。
具体实施方式
下面结合说明书附图对本发明涉及的一种可疑交易案例的辅助甄别方法及***进行详细的解释和说明。
实施例一:
如图1所示,本实施例公开了一种可疑交易案例的辅助甄别方法,对交易案例的可疑程度进行客观甄别,并根据甄别结果提出相应的建议,该辅助甄别方法包括如下步骤。
步骤S1,可疑交易案例信息提取:对待处理交易案例进行线索数据提取,从而得到用于描述待处理交易案例基本特征和风险特征的线索数据提取结果,并对线索数据提取结果进行保存;本实施例中,线索数据提取结果包括基础指标数据、交易风险模型、第一风险特征数据、交易流水数据及用户信息数据,其中,交易风险模型和第一风险特征数据用于描述待处理交易案例风险特征,基础指标数据、交易流水数据以及用户信息数据用于描述待处理交易案例基本特征。
步骤S2,可疑交易案例风险分析:以上述的线索数据提取结果作为分析依据,对待处理交易案例进行总体情况分析、资金流向分析、用户风险分析及交易风险分析,从而得到用于反映上述分析结果的疑点数据。
总体情况分析,可包括可疑交易触发的交易风险模型分析、可疑交易违反的风险事件特征分析、可疑交易相关关键人分析及可疑交易相关可疑交易流水分析;可疑交易触发的交易风险模型分析:描述具体违反了哪个交易风险模型,例如地下钱庄、赌博、非法集资等,同时描述模型具体的含义及量化方法;可疑交易违反的风险事件特征分析:描述因违反了哪些风险事件特征被警报;可疑交易相关关键人分析:判定案件核心关键人物,描述人物基本属性,例如姓名、账号、证件号、职业、年龄等;可疑交易相关可疑交易流水分析:描述交易的笔数、金额、时间跨度区间以及交易渠道信息等。
资金流向分析:汇总资金动向、明确资金的往来关系、提炼资金流入流出关系,对涉案金额、笔数及人员情况进行分析,具体可包括对案件中包含的全部资金交易流水进行统计分析,确定相关人员之间资金流入流出关系、资金金额总量以及笔数总量等数据;依据资金流入流出的总量占比(金额/笔数),分析确定洗钱案件的核心关键人。
用户风险分析:对涉案的相关人员进行关键风险指标分析,识别客户身份,判断固有风险情况;基础指标数据中包含一类客户风险指标,包括:未成年人、老年人、高风险行业、非身份证开户、证件超期客户、历史可疑案例关联人、我行员工、客户评级为高风险客户等;如果这类客户出现在洗钱可疑案例中,需要重点关注,风险等级会提升,本实施例采用自动比对方式识别客户身份,并对匹配上的指标给予风险提示,从而明晰客户隐形身份属性。
交易风险分析:对涉案交易进行深入分析,并与基础指标数据计算时生成的行内标准值进行对比,判断异常交易行为,分析包括:年龄分析、行业分析、交易渠道分析、交易对手分析、交易去向分析、特定业务分析、客户排名分析有关联案件分析等,从而从各个维度分析交易是否存在异常;具体地,年龄分析:针对对私客户开展同年龄段群体行为对比分析,采用对比分析,第一列为对比指标项、第二列为行内标准值区间(可通过基础指标数据得到),第三列为当前交易客户数据,第三列数值与第二列区间进行对比,判断是否在区间内,在区间内为正常,否则予以警报,将警报信息显示在第四列上;通过***自动分析对比同类人群普遍的行为特征,得出分析结果,对比指标包括:交易金额分布、交易笔数分布、交易时间分布、开卡时间分布等等;行业分析:针对客户开展行业群体对比分析,类似于年龄分析过程,对于客户所处的行业,***通过基础指标可以提取行业标准值,即同类企业在某些指标方面的普遍标准值区间,如果当前的客户行为指标超出行业标准值,则给予警示。对比指标包括:网银类交易分布、交易金额分布、交易笔数分布、交易渠道分布等等,针对对公客户开展行业特征分析,分析主体所在行业普遍行为***均值对比,对偏差较大的客户予以警示;对手分析:分析客户历史交易对手集中度情况,判断客户历史交易行为中是否集中在少数账户上,当前交易是否在历史行为习惯客户群组中,对于过于集中,或者严重偏离的情况予以警示;去向分析:分析客户历史交易去向地集中度情况,判断集中交易去向地是否在特定的洗钱高危地区,对符合条件的予以警示;特定业务:对公转私等特定业务进行专项分析,从而辅助判别是否存在洗钱行为;客户排名:对交易金额、交易笔数等等指标进行客户群组排名分析,对于客户排名前十的客户予以警示;关联案件:对客户、对手等进行关联案件的分析,判断历史上是否存在被认定洗钱可疑案件的,如果存在要做特殊警示。需要说明的是,上述予以警示或风险提示的目标即为疑点,用于后续的辅助甄别。
步骤S3,依据疑点数据包含的疑点个数及各疑点的预设基准分确定出待处理交易案例的风险性质分值;本实施例中,各疑点的预设基准分均大于0分且小于100分,比如,经过上述风险分析,疑点为“地区:汇款地区与当地毒品转运路线重合”,其预设基准分为52分,再比如,疑点为“交易账户:被禁毒部门调查或关注”,其预设基准分为78分,各疑点在一定层面上反映了可疑交易案例的可疑程度。
通过如下方式确定出待处理交易案例的风险性质分值:
S=A+(100-A)*C;
其中,S表示风险性质分值,A表示各疑点的预设基准分中的最大预设基准分,C表示修正因子,LN表示对数符号,M表示除具有最大基准分的疑点外其他疑点的预设基准分总和,N表示待处理交易案例的疑点个数。
步骤S4,计算出待处理交易案例的累计发生额(发生额累计)。
步骤S5,风险智能决策:包括可疑行为描述、甄别结论及建议采取的措施(即行动计划)三部分。具体地,基于风险矩阵法,将风险性质分值作为风险发生可能性指标、将累计发生额作为风险严重程度指标,根据上述的指标评估可疑交易案例的风险等级,风险等级用于反映可疑交易案例的可疑程度。在各等级中,A表示排除,风险较小可排除;B表示关注,有潜在风险需持续关注,暂不处理;C表示认定重点可疑,需要银行自身采取控制措施,比如,限制交易等;D表示重点可疑且报监管部门(如当地人民银行),由监管部门结合各家银行的数据进一步认定并处置;E表示重点可疑且报当地公安,该等级属于性质恶劣、金额巨大的疑似洗钱案件,除采用上述控制措施后,还需要进一步报当地公安部门,由公安部门专项立案侦查。
通过下述所示的风险矩阵图详细说明风险矩阵法:
步骤S6,提交风险报告:辅助甄别方法还包括如下步骤:在确定可疑交易案例的可疑程度后,将分析过程数据和评估结果数据填充至指定模板文件中,从而生成可疑交易案例的辅助甄别报告,本发明能够将分析过程、决策结果及后续采取措施等内容填入指定的报告模板,***可自动生成分析报告,对业务人员后续处理予以指导,作为内部分析、监管检查及公安机关立案侦查的重要数据依据。
为了提高本发明对可疑交易案例的甄别效果,本发明还预先通过全新的方法生成待处理交易案例,然后再对得到的交易案例进行全方位分析、智能决策,并生成分析报告;生成待处理交易案例的过程具体如下。
如图2所示,通过如下的方式得到待处理交易案例。
步骤S10,对已获取的交易相关数据(银行或其他金融机构历史数据)进行标准化处理,从而将交易相关数据转化为多类主题数据,通过该多类主题数据构建数据集市。
步骤S20,基于数据集市,通过数据挖掘方式对数据集市中的多类主题数据进行处理,以得到用于作为异常行为比较标准的基础指标数据;在数据挖掘过程中,可采用聚类、回归、迭代等数据挖掘方法,以计算基础指标数据,该基础指标数据体现着每家金融机构、不同行业、不同年龄等群体的金融特征及交易偏好、行为习惯等,体现该机构的业务偏好、地域特征、当地客户群组特征,是该银行特有的指标标准,从而建立银行特有的异常行为比较标准值(可通过设置的标准值数据库存储),比如,异常行为比较标准值包括:对公法人、个体户、其他组织、对私自然人的分布情况,存款账户、贷款账户分布情况,交易渠道占比、交易笔数以及金额分布,大额客户交易排名情况,行业交易行为分布,年龄段交易行为分布和交易去向地分布等近100个指标。
步骤S30,以基础指标数据作为依据,对数据集市中的数据进行特征计算,从而生成第一风险特征数据;本实施例中,在对数据集市中的数据进行特征计算时,包括如下步骤。
通过参照基础指标数据的方式定义风险事件特征,根据风险事件特征对数据集市中的数据进行筛选和解析,将解析结果作为第一风险特征数据。风险事件特征用于描述风险事件,风险事件包括:不同企业的法定代表人或高管相同、不同企业拥有同一名公司会计、多家企业发生关联交易、企业所属行业为特定行业、交易频率和交易规模与企业注册资金规模明显不符、规避监管意图明显、对公账户频繁向个人账户转入大量资金、对公账户公转私、资金交易全部通过网上银行交易。
步骤S40,令与第一风险特征数据关联的所有交易数据作为数据基础,按照资金的转入转出关系组建基于交易数据形成的多个资金交易网络;如图3所示,在组建资金交易网络的过程中,包括如下步骤。
步骤S400,提取与第一风险特征数据相关联的所有交易数据,利用所有交易数据构建临时风险数据集市。
步骤S401,以资金的转入转出关系作为依据,对临时风险数据集市中的所有交易数据进行分组处理;其中,令同组内的交易数据之间存在转入或转出关系。
步骤S402,将处于同一组内的全部交易数据组建成网络节点间具有转入或转出关系的资金交易网络,网络节点为用户、账户、设备中的至少一种,如图4所示,图4为网络节点为用户的资金交易网络示意图。比如,(1)转入金额累计:100万;转出金额累计:80万,现金交易:20万;累计交易笔数:15笔;(2)李承建向李小纱累计转入20万,交易笔数3笔;(3)Tommy向李小纱累计转入5万,交易笔数1笔;(4)蔡文清向李小纱累计转入25万,交易笔数1笔;(5)侯晓东向李小纱累计转入10万,交易笔数1笔;(6)周衫向李小纱累计转入40万,交易笔数6笔;(7)陈思成向李承建累计转入20万,交易笔数1笔;(8)李小纱向侯晓东累计转入75万,交易笔数1笔;(9)李小纱向周衫累计转入5万,交易笔数1笔。
步骤S50,将各个资金交易网络分别与预先建立的交易风险模型进行风险特征匹配,以计算各个资金交易网络与交易风险模型的匹配程度,将匹配程度达到风险门限的资金交易网络作为待处理交易案例。
在资金交易网络与交易风险模型进行风险特征匹配时,将与资金交易网络对应的第一风险特征数据、与交易风险模型对应的第二风险特征数据进行风险特征匹配,更具体的说明如下。
将第一风险特征数据与第二风险特征数据的风险特征匹配结果进行量化,令量化结果为累加总分值或逻辑表达式。
若量化结果为累加总分值,将累加总分值与风险门限对应的预设门限分值进行比较,将大于或等于预设门限分值的累加总分值对应的资金交易网络作为待处理交易案例;例如:“疑似纳税犯罪洗钱模型”的“场景1-骗取退税的洗钱场景”,包含6个可疑特征:(1)企业所属行业为特定行业(分值=1),(2)交易频率和交易规模与企业注册资金规模明显不符(分值=10),(3)规避监管意图较明显(分值=8),(4)对公账户频繁向个人账户转入大量金额(分值=7),(5)对公账户公转私(分值=7),(6)资金交易基本全部通过网上银行(分值=12);这六个特征均无关联关系,本实施例依据可疑程度设定标准分值,通过算数累加法,实现总分计算,再与案例预设门限分值比较,如果其大于预设门限分值,则可判断该量化结果对应的资金交易网络为异常交易可疑案例。
若量化结果为逻辑表达式,将逻辑表达式与风险门限对应的预设表达式进行匹配,将与预设表达式匹配的逻辑表达式对应的资金交易网络作为待处理交易案例。例如:“疑似纳税犯罪洗钱模型”中的“场景2-通过关联企业转移收入的洗钱场景”,包含3个风险特征:(1)不同企业其法定代表人或高管相同、(2)不同企业拥有同一名公司会计、(3)多家企业发生关联交易;三个特征量化后可得到预设表达式:(1∪2)∩3;如果逻辑表达式形式的量化结果满足上述预设表达式,则可判断该量化结果对应的资金交易网络为异常交易可疑案例。
作为优化的技术方案,如图5所示,本实施例通过如下方式建立交易风险模型:
步骤S500,对洗钱案件数据进行场景化定义,将场景化定义的洗钱案件数据进行分类,从而使属于同一场景的洗钱案件数据在同一个场景类别下。
步骤S501,在任一个场景类别下,提取该场景内洗钱案件数据中的第二风险特征数据,基于第二风险特征数据建立交易风险模型;其中,一种场景类别对应一种交易风险模型。
实施例二:
本实施例与实施例一基于相同的发明构思,提出了一种实现实施例一中的辅助甄别方法的一种可疑交易案例的辅助甄别***,如图6所示,该辅助甄别***包括数据集市构建模块、基础指标挖掘模块、风险特征生成模块、交易网络组建模块及交易案例生成模块、线索数据提取模块、交易案例分析模块、风险性质确定模块、累计发生额计算模块及可疑程度确定模块。
数据集市构建模块,用于对已获取的交易相关数据进行标准化处理,从而将交易相关数据转化为多类主题数据,并用于通过多类主题数据构建数据集市。
基础指标挖掘模块,用于基于数据集市,通过数据挖掘方式对数据集市中的多类主题数据进行处理,以得到用于作为异常行为比较标准的基础指标数据。
风险特征生成模块,用于以基础指标数据作为依据,对数据集市中的数据进行特征计算,从而生成第一风险特征数据。
交易网络组建模块,用于令与第一风险特征数据关联的所有交易数据作为数据基础,用于按照资金的转入转出关系组建基于交易数据形成的多个资金交易网络。
本实施例中,交易网络组建模块包括临时集市构建单元、交易数据处理单元及交易网络组建单元。
临时集市构建单元,用于提取与第一风险特征数据相关联的所有交易数据以及利用所有交易数据构建临时风险数据集市。
交易数据处理单元,用于以资金的转入转出关系作为依据对临时风险数据集市中的所有交易数据进行分组处理,用于令同组内的交易数据之间存在转入或转出关系。
交易网络组建单元,用于将处于同一组内的全部交易数据组建成网络节点间具有转入或转出关系的资金交易网络,网络节点为用户、账户、设备中的至少一种。
交易案例生成模块,用于将各个资金交易网络分别与预先建立的交易风险模型进行风险特征匹配,以计算各个资金交易网络与交易风险模型的匹配程度,将匹配程度达到风险门限的资金交易网络作为待处理交易案例。交易案例生成模块,还用于在资金交易网络与交易风险模型进行风险特征匹配时,用于将与资金交易网络对应的第一风险特征数据、与交易风险模型对应的第二风险特征数据进行风险特征匹配;以及用于将第一风险特征数据与第二风险特征数据的风险特征匹配结果进行量化、令量化结果为累加总分值或逻辑表达式,以及用于根据量化结果确定待处理交易案例。
本实施例中,辅助甄别***还包括风险模型建立模块。
风险模型建立模块,用于对洗钱案件数据进行场景化定义,用于将场景化定义的洗钱案件数据进行分类,从而使属于同一场景的洗钱案件数据在同一个场景类别下;在任一个场景类别下,风险模型建立模块用于提取该场景内洗钱案件数据中的第二风险特征数据及基于第二风险特征数据建立交易风险模型;其中,一种场景类别对应一种交易风险模型。
线索数据提取模块,用于对待处理交易案例进行线索数据提取,从而得到用于描述待处理交易案例基本特征和风险特征的线索数据提取结果。
交易案例分析模块,用于以线索数据提取结果作为分析依据,对待处理交易案例进行总体情况分析、资金流向分析、用户风险分析及交易风险分析,从而得到用于反映上述分析结果的疑点数据。
风险性质确定模块,用于依据疑点数据包含的疑点个数及各疑点的预设基准分确定出待处理交易案例的风险性质分值。
累计发生额计算模块,用于计算出待处理交易案例的累计发生额。
可疑程度确定模块,用于基于风险矩阵法,将风险性质分值作为风险发生可能性指标、将累计发生额作为风险严重程度指标,并用于根据上述的指标评估可疑交易案例的风险等级;其中,风险等级用于反映可疑交易案例的可疑程度。
甄别报告生成模块,用于在确定可疑交易案例的可疑程度后、将分析过程数据和评估结果数据填充至指定模板文件中,从而生成可疑交易案例的辅助甄别报告。
在本说明书的描述中,参考术语“本实施例”、“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明实质内容上所作的任何修改、等同替换和简单改进等,均应包含在本发明的保护范围之内。