数据挖掘在反洗钱系统中的应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 研究目的和意义 | 第10页 |
| 1.3 国内外研究概况 | 第10-12页 |
| 1.3.1 国内反洗钱系统研究现状 | 第10-11页 |
| 1.3.2 国外反洗钱系统现状 | 第11页 |
| 1.3.3 反洗钱系统中的数据挖掘技术 | 第11-12页 |
| 1.4 本文结构安排 | 第12-14页 |
| 第二章 数据挖掘技术综述 | 第14-18页 |
| 2.1 数据挖掘的应用 | 第14页 |
| 2.2 分类技术 | 第14-16页 |
| 2.3 聚类技术 | 第16页 |
| 2.4 数据挖掘其他相应技术 | 第16-17页 |
| 2.5 本章小结 | 第17-18页 |
| 第三章 洗钱风险等级模型设计 | 第18-46页 |
| 3.1 风险等级模型的由来 | 第18页 |
| 3.2 风险等级模型设计整体思路 | 第18-20页 |
| 3.3 风险等级模型数据预处理 | 第20-26页 |
| 3.3.1 客户信息属性类别筛选 | 第20-21页 |
| 3.3.2 客户信息属性数据概化 | 第21-26页 |
| 3.4 训练集和验证集数据选择 | 第26页 |
| 3.5 基于决策树和规则归纳的组合分类器设计 | 第26-40页 |
| 3.5.1 决策树归纳分类算法 | 第26-29页 |
| 3.5.2 基于信息增益的决策树归纳分类器 | 第29-33页 |
| 3.5.3 基于基尼指数的决策树归纳分类器 | 第33-35页 |
| 3.5.4 基于顺序覆盖的规则归纳分类器 | 第35-38页 |
| 3.5.5 组合分类器设计 | 第38-40页 |
| 3.6 风险等级模型优化技术 | 第40-44页 |
| 3.6.1 树剪枝技术 | 第40-42页 |
| 3.6.2 Adaboost提升技术 | 第42-44页 |
| 3.7 本章小结 | 第44-46页 |
| 第四章 洗钱风险等级模型评估 | 第46-54页 |
| 4.1 模型评估实验简介 | 第46-47页 |
| 4.2 客户信息元组检验集选择 | 第47页 |
| 4.3 评估度量标准 | 第47-49页 |
| 4.4 评估实验结果 | 第49-53页 |
| 4.4.1 基分类器性能评估 | 第49-51页 |
| 4.4.2 组合分类器性能评估 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 风险等级模型在反洗钱系统中的应用 | 第54-64页 |
| 5.1 SMBC-AML反洗钱系统简介 | 第54-60页 |
| 5.1.1 SMBC-AML系统总体设计 | 第54-57页 |
| 5.1.2 AML系统流程分析 | 第57-58页 |
| 5.1.3 银行交易中可疑洗钱行为的判断标准 | 第58-60页 |
| 5.2 洗钱风险等级模型在反洗钱系统中的应用 | 第60-62页 |
| 5.2.1 洗钱风险等级模型的引入 | 第60-61页 |
| 5.2.2 洗钱风险等级模型功能模块整合 | 第61-62页 |
| 5.3 洗钱风险等级模型应用的实际效果分析 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-68页 |
| 攻硕期间取得的研究成果 | 第68-69页 |
