具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，一种基于自修复建模的反洗钱系统，包括依次连接的洗钱识别装置1和洗钱告警装置2，洗钱识别装置1用于对输入的交易数据进行洗钱识别，并输出对应的识别结果给洗钱告警装置2，洗钱识别装置1包括依次连接的特征加工模块11、建模模块12、自修复模块13和模型优化模块14，特征加工模块11用于从输入的交易数据中提取出对应的高维全量特征，特征加工模块11包括依次连接的数据清洗单元110和数据加工单元111，数据清洗单元110用于对输入的交易数据进行数据清洗，以筛选掉异常数据；

数据加工单元111根据清洗后的交易数据，以生成对应的高维全量特征；

建模模块12用于根据高维全量特征，以构建初版洗钱识别模型；

自修复模块13用于进行自修复闭环投产操作，以持续得到反馈数据，自修复模块13包括闭环连接的自动建模单元130、云投产单元131和反馈数据清洗加工单元132，反馈数据清洗加工单元132用于从云投产单元131获取反馈数据，并对获取的反馈数据进行清洗加工，以生成对应的高维全量特征；

自动建模单元130根据反馈数据清洗加工单元132输出的高维全量特征，自动建立新的模型；

云投产单元131用于将新的模型进行云部署投产；

模型优化模块14用于根据反馈数据，以对当前的洗钱识别模型进行更新优化。

将上述系统应用于实际，以实现一种基于自修复建模的反洗钱方法，如图2 所示，包括以下步骤：

S1、设定建模目标，将历史样本数据输入特征加工模块11，经过建模模块12，得到初版洗钱识别模型，具体的：

首先设定建模目标：洗钱交易1和非洗钱交易0，并获取历史样本数据；

之后对历史样本数据进行数据清洗；

再根据数据清洗后的历史样本数据，构建对应的宽表，其中，宽表中包含全量特征；

最后对宽表中的全量特征进行数据加工，得到对应的高维全量特征，并基于得到的高维全量特征，建立初版洗钱识别模型；

S2、将待识别交易数据输入包含初版洗钱识别模型的洗钱识别装置1，以输出得到对应的洗钱识别结果，同时通过自修复模块13和模型优化模块14对初版洗钱识别模型进行模型持续优化，不断更新洗钱识别装置1内的洗钱识别模型，具体的：

S21、将待识别交易数据输入当前洗钱识别模型，在输出对应洗钱识别结果的同时得到对应的反馈数据；

S22、对反馈数据依次进行数据清洗和数据加工，得到对应的高维全量特征，其中，数据加工具体是进行包括10天、1个月、3个月、6个月的滑动窗口统计，并计算得到最大值、最小值、平均值、中值以及求和值；

S23、根据步骤S22得到的高维全量特征，通过自动建模构建得到新的模型；

S24、将新的模型进行云部署投产，之后返回步骤S21；

S25、根据累积的反馈数据，按照预设的优化周期，对当前的洗钱识别模型进行更新优化；

S3、洗钱告警装置2根据洗钱识别结果，输出对应的告警信息给用户。

本技术方案考虑到传统的反洗钱模型也能够根据反馈数据自动迭代优化模型，但在交易流水生成特征时，由于计算力的问题，若仅仅通过简单统计交易笔数和金额等特征来建模，并筛选有效的特征，然后通过机器学习得到最终优化的模型来投产，由于行为特征的变化，很多旧特征可能淘汰，需要新特征来支持，所以在这种优化模型的方式下，模型准确率依旧会迅速衰减。

为此，本技术方案通过实现自修复反洗钱建模方式，以改进建模的流程，解决投产后模型衰减的问题，克服了快速应对变化的难题，同时不需要反复人工建模，从而节省大量人力资源，在普通反洗钱建模的基础上，自动生成大量高维特征，并且不需要筛选特征，而且当模型效果衰减后能自我修复。

在传统的反洗钱建模基础上，生成“高维全量特征”，并使用效果一般的初版模型建立一个修复环。修复环包括“高维全量特征”，“自动建模算法”，“模型自动投产”以及“反馈数据”四部分，从而形成一个闭环。

如图3所示：

1、特征加工模块

包括需求分析、数据准备、数据清洗和探索以及简单特征工程形成宽表。首先根据目标，收集手机客户的行为数据，然后进行数据加工，筛除异常数据，并生成“高维全量特征”，本实施例中，指定建模的目标：反洗钱交易和非反洗钱交易(1,0)；接着是数据准备、清洗数据、发现异常数据、提高数据质量；生成“高维全量特征”： 300个主特征，每个主特征均依次进行10天、1个月、3个月、6个月的滑动窗口统计，并计算最大值、最小值、平均值、中值、求和值。

2、建模模块

宽表完成后，可以进行首次建模，得到初版模型(或者称为基线模型)，初版模型会尝试几种算法并选择其中最好的一种；之后针对选好的特定算法，调优模型参数，并进行特征筛选，把模型的效果调整到令人满意的程度，本实施例考虑到自我修复的反洗钱建模技术使用高维全量特征，很容易导致过拟合，因此需要能够抵御过拟合和多重共线性的算法，因此在开源的xgboost和lightgbm算法基础上中加入L0、L1、L2正则化，以有效解决过拟合和多重共线性问题。

3、自修复模块

自修复的基础是“高维全量特征”，由于普通方法中特征筛选导致每次建模的输入不同，所以每次重新建模都需要人工干预；而使用高维全量特征，则每次重新建模的输入是相同的，可以全自动执行后续流程，即自动机器学习算法和自动投产。投产后得到的“反馈数据”经过加工后，其数据格式与初版的“高维全量特征”也是一致的，所以也不需要人工参与，本实施例中，主要包括以下过程：(1)反馈数据自动清洗(2)生成高维全量特征(2)采用贝叶斯随机自动建模算法(3)云部署方式自动部署。

4、模型优化模块

自修复反洗钱建模流程打通后，初始几个版本的模型不追求很高准确性，但模型会在运行中积累新的“反馈数据”逐渐提升，提高准确性；等到准确性稳定后，模型能快速应对变化，避免迅速衰减。整个嵌入了自修复的建模流程只需要一次开发，投产之后不用担心模型衰减的问题，解决了快速应对变化的难题，同时不需要反复人工建模，从而节省大量人力资源，本实施例中，自修复建模法投产后，每月一次执行自学习自修复。

本技术方案中，初始几个版本的模型不追求很高准确性，但模型会在运行中积累新的“反馈数据”逐渐提升，提高准确性；等到准确性稳定后，模型能快速应对变化，避免迅速衰减。整个自修复反洗钱建模流程只需要一次开发，投产之后不用担心模型衰减的问题，解决了快速应对变化的难题，同时不需要反复人工建模，从而节省大量人力资源。而传统的模型在刚投产时，效果非常好，但1个月后快速衰减，衰减后然后又开始投入人力进行建模，3个月后新模型也是同样的命运。自修复模型在一开始可能效果不如普通模型，但是之后随着数据积累，模型逐渐提升，准确率逐渐上升，再之后同样依靠的快速修复，始终能够保持较高的准确率。普通方法的模型更新周期需要人工3个月，而使用自修复的模型更新周期可以非常短，可以2周、1周，不需要人工干预。

本技术方案针对快速变化的洗钱场景，采用自修复建模方式，以高维全量特征为基础实现自动闭环修复，通过自动云部署投产，不需要反复人工建模，节省大量人力资源。