异常交易检测样本构建与模型训练 - 第1节

1.1 异常交易检测的定义与业务价值

异常交易检测（Anomalous Transaction Detection）是指通过规则引擎、统计模型或机器学习算法，从海量交易数据中识别出与正常用户行为模式显著偏离的金融操作。其核心目标是在欺诈行为造成实际资金损失之前，实现实时预警与拦截。

1.1.1 业务价值矩阵

1.2 典型应用场景

1.2.1 信用卡欺诈检测

信用卡交易具有高频、小额、跨地域的特点。欺诈模式包括：卡片未丢失情况下的线上盗用（CNP）、伪卡制作、账户接管（ATO）。检测难点在于正常消费行为本身存在大量“突发性”波动，需要区分真正的欺诈与正常的消费习惯变化。

1.2.2 洗钱交易识别

洗钱行为通常表现为结构化存款（Smurfing）、快速资金进出（Layering）、利用空壳公司进行大额转账。检测需要结合交易图谱、资金链路分析和时间序列特征，单一交易维度很难覆盖完整洗钱链条。

1.2.3 账户盗刷与薅羊毛

在电商、支付、积分兑换场景中，黑产利用自动化脚本、代理IP、接码平台批量注册账户，实施小额高频盗刷或套取营销补贴。这类攻击具有明显的“机器行为”特征：请求间隔均匀、设备指纹重复、行为序列高度一致。

1.3 课程整体架构

本课程按照“数据 → 样本 → 特征 → 模型 → 评估 → 部署”的完整链路组织，共分为六个模块、30 个章节。

1.4 学习路径与前置知识

• 前置要求： 熟悉 Python 基础语法、Pandas/NumPy 数据处理、Scikit-learn 基本使用；了解二分类评估指标（精确率、召回率、AUC）。
• 推荐工具： Python 3.8+、Jupyter Notebook、XGBoost/LightGBM、PyTorch（可选）、SHAP 库。
• 学习节奏： 每章建议投入 1–2 小时，代码部分务必动手运行；第6–10章（样本构建）和第16–21章（模型训练）建议各预留一周深度消化。