| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 论文的选题背景和研究意义 | 第10-11页 |
| 1.1.1 论文研究背景 | 第10页 |
| 1.1.2 论文研究意义 | 第10-11页 |
| 1.2 论文的创新点及模型选择的理由 | 第11-12页 |
| 1.3 国内外相关研究及发展综述 | 第12-13页 |
| 1.4 论文的组织架构及主要内容 | 第13-15页 |
| 第二章 反洗钱和反恐怖融资的统计模型 | 第15-19页 |
| 2.1 洗钱理论与反洗钱现状 | 第15页 |
| 2.2 金融机构进行反洗钱侦测应用的模型 | 第15-19页 |
| 2.2.1 基于聚类分析的反洗钱模型 | 第16页 |
| 2.2.2 基于时间序列的反洗钱模型 | 第16-17页 |
| 2.2.3 基于神经网络的反洗钱模型 | 第17页 |
| 2.2.4 基于大数据风险评分的反洗钱模型 | 第17-19页 |
| 第三章 决策树模型和随机森林模型的理论概述 | 第19-31页 |
| 3.1 决策树模型原理及建模过程 | 第19-27页 |
| 3.1.1 选择决策树模型的特征变量 | 第19-22页 |
| 3.1.2 生成决策树模型 | 第22-24页 |
| 3.1.3 修剪决策树模型 | 第24-27页 |
| 3.2 基于集成学习方法的随机森林原理概述 | 第27-29页 |
| 3.2.1 集成学习方法的理论 | 第27页 |
| 3.2.2 装袋算法的基本原理 | 第27-28页 |
| 3.2.3 随机森林模型的基本原理 | 第28-29页 |
| 3.3 常见的分类器评价指标概述 | 第29-31页 |
| 第四章 银行卡跨境ATM取现反洗钱反恐怖融资模型实证 | 第31-44页 |
| 4.1 样本来源和特征变量梳理 | 第31-33页 |
| 4.2 数据清洗 | 第33-36页 |
| 4.3 跨境反洗钱模型的C5.0决策树方法 | 第36页 |
| 4.4 跨境反洗钱模型的CART决策树方法 | 第36-39页 |
| 4.5 跨境反洗钱模型的随机森林方法 | 第39-41页 |
| 4.5.1 确定最优的mtry参数 | 第40页 |
| 4.5.2 选择ntree参数值 | 第40-41页 |
| 4.5.3 建立随机森林模型 | 第41页 |
| 4.6 三种算法的比较 | 第41-44页 |
| 第五章 结论 | 第44-45页 |
| 参考文献 | 第45-47页 |
| 附录 | 第47-55页 |
| 致谢 | 第55页 |