金融交易行为指模平滑函数提取方法技术

金融交易行为指模平滑函数提取方法，包括行为指模提取及建立行为指模数学公式；指模提取包括实时建立、更新交易行为数据库与用户层行为习惯特征库，提取行为指模；建立指模数学公式，实时建立、更新交易行为数据库与用户层行为习惯特征库中，包括建立用户层交易行为特征数据库、广义群体层交易行为特征数据库、用户层交易行为习惯特征权重数据库；建立行为指模数学，提取行为指模中，包括建立异常金额交易行为特征值、异常速度交易行为特征值、异常行为习惯交易特征值、异常第二方近期金融行为特征值、用户个人信息近期变更行为特征值。本发明专利技术为复杂人工智能模型的使用，也为使用海量交易数据训练可拓展系统模型提供了有利技术保证。保证。

【技术实现步骤摘要】
金融交易行为指模平滑函数提取方法


[0001]本专利技术涉及金融部门应用的反欺诈
，特别是一种金融交易行为指模平滑函数提取方法。

技术介绍

[0002]当前金融欺诈风险控制进入大数据和人工智能时代，人工智能模型作为金融交易风险控制过程中一个重要的技术环节，在国际和国内反交易欺诈斗争中成绩斐然。人工智能模型的表现高度依赖输入数据的信息度，而交易双方的行为在各个交易参数集合(数字、集合和文字数据集，如交易时间，交易金额等)中的习惯特征是人工智能反欺诈模型的一个初始的、重要的和可靠的信息及数据来源。现有技术中，很多人工智能模型只接受数字数据不接受集合或文字数据输入。大多数接受数字数据输入的人工智能模型在数字数据输入时表现较好，但是由于不能接受集合或文字数据，而上述集合或文字数据在交易中占有很大的比例，因此现有的技术由于不能有效利用上述数据，无法对反欺诈技术的提升起到支持作用，相应的反欺诈技术还存在改进的余地。

技术实现思路

[0003]为了克服现有技术中，人工智能模型接受数字数据不接受集合或文字数据输入，无法对反欺诈技术的提升起到支持作用的弊端，本专利技术提供了经指模提取及建立行为指模数学公式等，把包括文字在内的离散集合交易行为习惯的变量，转化为各个集合中符合一定数学概率分布的连续行为习惯变量，提取的行为指模可以直接或间接用于欺诈风险评估模型输入变量，为复杂人工智能模型的使用起到了技术支撑，也为使用海量交易数据训练可拓展系统模型提供了有利技术保证的金融交易行为指模平滑函数提取方法。
[0004]本专利技术解决其技术问题所采用的技术方案是：
[0005]金融交易行为指模平滑函数提取方法，其特征在于包括行为指模提取及建立行为指模数学公式两个步骤；所述指模提取包括实时建立、更新交易行为数据库与用户层行为习惯特征库，提取行为指模两个分步骤；所述建立指模数学公式，实时建立、更新交易行为数据库与用户层行为习惯特征库中，包括建立用户层交易行为特征数据库公式、广义群体层交易行为特征数据库公式、用户层交易行为习惯特征权重数据库公式；所述建立行为指模数学公式，提取行为指模中，包括建立异常金额交易行为特征值公式、异常速度交易行为特征值公式、异常行为习惯交易特征值公式、异常第二方近期金融行为特征值公式、交易双方在交易习惯近期变更行为特征值公式。
[0006]进一步地，所述实时建立、更新交易行为数据库与用户层行为习惯特征库，数据库包括如下，A：用户层实时交易行为统计数据库；B：广义的实时交易行为统计数据库；C：用户层习惯周期性的金融行为权重统计数据库。
[0007]进一步地，所述提取行为指模包括如下数据，A：异常金额交易行为特征值；B：异常速度交易行为特征值；C：异常行为习惯交易特征值；D：异常第二方近期金融行为特征值；E:
用户个人信息近期变更行为特征值。
[0008]进一步地，所述建立的用户层交易行为特征数据库公式如下：
[0009]B
u，c，t
＝F
c，T
B
u，c，t
‑1+C
c，T
x
u，c，t
。
[0010]进一步地，所述建立的广义群体层交易行为特征数据库的公式如下：
[0011]P
u，c，t
＝F
c，T
P
u，c，t
‑1+C
c，T
x
u，c，t
。
[0012]进一步地，所述建立的用户层交易行为习惯特征权重数据库公式如下：
[0013]A
u，cA，t
＝F
A，cA，T
A
u，cA，t
‑1+C
A，cA，T
x
u，cA，t
。
[0014]进一步地，所述建立的异常金额交易行为特征值公式如下：
[0015][0016]进一步地，所述建立的异常速度交易行为特征值公式如下：
[0017]f
v
＝tanh(B
u，t，v
/(w
B
B
u，t
‑
1，v
+(1
‑
w
B
)P
u，t
‑
1，v
))。
[0018]进一步地，所述建立的异常行为习惯交易特征值公式如下：f
h
＝tanh(SIM(x
u，t，h
·
1，A
u，t，h
))；建立的异常第二方近期金融行为特征值公式如下：f
h
＝tanh(w
amt
f
amt，um
+w
v
f
v，um
)；建立的用户个人信息近期变更行为特征值公式如下：f
i
＝C
i，t
B
t，u，i
。
[0019]本专利技术有益效果是：本专利技术经模提取及建立行为指模数学公式等，把包括文字在内的离散集合交易行为习惯的变量，转化为各个集合中符合一定数学概率分布的连续行为习惯变量，提取的行为指模可以直接或间接用于欺诈风险评估模型输入变量，把交易双方的行为习惯在各个交易参数集合中的特征提取为连续的、平滑的和数字化的指模，能提升交易行为习惯特征的信息度，进而提高人工智能模型表现，为复杂人工智能模型的使用起到了技术支撑，也为使用海量交易数据训练可拓展系统模型提供了有利技术保证。基于上述，本专利技术具有好的应用前景。
具体实施方式
[0020]金融交易行为指模平滑函数提取方法，包括行为指模提取及建立行为指模数学公式两个步骤；所述指模提取包括实时建立、更新交易行为数据库与用户层行为习惯特征库，提取行为指模两个分步骤；所述建立指模数学公式，实时建立、更新交易行为数据库与用户层行为习惯特征库中，包括建立用户层交易行为特征数据库公式、广义群体层交易行为特征数据库公式、用户层交易行为习惯特征权重数据库公式；所述建立行为指模数学公式，提取行为指模中，包括建立异常金额交易行为特征值公式、异常速度交易行为特征值公式、异常行为习惯交易特征值公式、异常第二方(商家或收款人账户)近期金融行为特征值公式、交易双方在交易习惯近期变更行为特征值公式。
[0021]实时建立、更新交易行为数据库与用户层行为习惯特征库，数据库包括如下，A：用户层实时交易行为统计数据库；B：广义(同等用户团体)的实时交易行为统计数据库；C：用户层习惯周期性的金融行为权重统计数据库。提取行为指模中，当交易发生后，根据交易数据(类型，金额，时间，地点，设备，商家，等)与当前时间的用户层、广义交易行为数据库与用户层行为习惯特征数据库，计算以下特征值，A：异常金额交易行为特征值；B：异常速度交易
行为特征值；C：异常行为习惯交易特征值(习惯包括：交易时间，交易地点，交易设备，交易商家)；D：异常第二方(商家或收款人账户)近期金融行为特征值；E:用户个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.金融交易行为指模平滑函数提取方法，其特征在于包括行为指模提取及建立行为指模数学公式两个步骤；所述指模提取包括实时建立、更新交易行为数据库与用户层行为习惯特征库，提取行为指模两个分步骤；所述建立指模数学公式，实时建立、更新交易行为数据库与用户层行为习惯特征库中，包括建立用户层交易行为特征数据库公式、广义群体层交易行为特征数据库公式、用户层交易行为习惯特征权重数据库公式；所述建立行为指模数学公式，提取行为指模中，包括建立异常金额交易行为特征值公式、异常速度交易行为特征值公式、异常行为习惯交易特征值公式、异常第二方近期金融行为特征值公式、交易双方在交易习惯近期变更行为特征值公式。2.根据权利要求1所述的金融交易行为指模平滑函数提取方法，其特征在于，实时建立、更新交易行为数据库与用户层行为习惯特征库，数据库包括如下，A：用户层实时交易行为统计数据库；B：广义的实时交易行为统计数据库；C：用户层习惯周期性的金融行为权重统计数据库。3.根据权利要求1所述的金融交易行为指模平滑函数提取方法，其特征在于，提取行为指模包括如下数据，A：异常金额交易行为特征值；B：异常速度交易行为特征值；C：异常行为习惯交易特征值；D：异常第二方近期金融行为特征值；E:用户个人信息近期变更行为特征值。4.根据权利要求1所述的金融交易行为指模平滑函数提取方法，其特征在于，建立的用户层交易行为特征数据库公式如下：B
u，c，t
＝F
c，T
B
u，c，t
‑1+C
c，T
x
u，c，t
。5.根据权利要求1所述的金融交易行为指模平滑函数提取方法，其特征在于，建立的广义群体层交易行为特征数据库的公式如下：P
u，c，t
＝F
c，T
P
u，c，t
‑1+C

【专利技术属性】
技术研发人员：徐欣，徐秀丽，
申请(专利权)人：上海开明智盾智能科技有限公司，
类型：发明
国别省市：