01
异常交易概述
什么是异常交易行为？市场监管的法规背景与核心原则。
法规基础
02
市场微观结构基础
订单簿、交易撮合机制、流动性、波动性基础概念。
微观订单簿
03
数据采集与预处理
交易所行情数据、订单数据、成交数据的获取与清洗。
数据ETL
04
特征工程基础
时间序列特征、统计特征、量价关系特征的构建方法。
特征量价
05
标签体系设计
如何定义和标注异常交易样本（操纵、虚假申报、对倒等）。
标注标签
06
规则引擎入门
基于阈值的简单规则（如大单申报比、撤单率）设计与实现。
规则阈值
07
统计方法识别
均值回归、标准差、Z-score在异常检测中的应用。
统计Z-score
08
机器学习基础
监督学习与无监督学习在异常识别中的选择逻辑。
ML监督
09
孤立森林算法
原理、实现与在交易异常检测中的实战。
孤立森林异常检测
10
LOF算法
局部异常因子算法的原理与参数调优。
LOF密度
11
One-Class SVM
单类支持向量机在未知异常发现中的应用。
SVM单类
12
聚类方法
K-Means、DBSCAN在交易行为分群与异常发现中的对比。
聚类DBSCAN
13
时间序列异常检测
移动平均、指数平滑、ARIMA模型的应用。
时间序列ARIMA
14
深度学习入门
LSTM、Autoencoder在序列异常检测中的基础应用。
LSTMAutoencoder
15
图神经网络基础
交易网络构建、节点异常检测（如账户关联分析）。
GNN图
16
虚假申报识别
特征提取（申报比、撤单率、存活时间）与模型构建。
虚假申报撤单
17
市场操纵识别
拉抬打压、尾市操纵、连续交易操纵的识别逻辑。
操纵拉抬
18
内幕交易识别
基于关联图谱与时间窗口的异常交易行为分析。
内幕关联
19
对倒与自成交识别
自成交比例、对手方关联度等特征实战。
对倒自成交
20
模型评估与验证
混淆矩阵、召回率、精确率、F1-score在异常检测中的特殊考量。
评估F1
21
样本不平衡处理
过采样（SMOTE）、欠采样、代价敏感学习在异常检测中的应用。
SMOTE不平衡
22
实时检测系统架构
流式计算（Flink/Kafka）、特征在线计算、模型服务化。
实时Flink
23
规则与模型融合
规则引擎+机器学习模型的混合决策策略。
融合混合
24
可解释性分析
SHAP、LIME在异常交易识别结果解释中的应用。
SHAPLIME
25
回测框架搭建
如何构建历史数据回测环境，验证异常检测策略的有效性。
回测验证
26
监管报告生成
自动化生成异常交易分析报告，包含图表与证据链。
报告自动化
27
合规与伦理
数据隐私、算法公平性、监管科技（RegTech）的伦理边界。
合规伦理
28
案例实战一：虚假申报
基于真实市场数据的虚假申报识别全流程（数据->特征->模型->报告）。
实战虚假申报
29
案例实战二：操纵团伙
基于图神经网络的关联账户操纵团伙识别。
GNN团伙
30
前沿趋势
大模型在监管文本分析中的应用、联邦学习在跨市场监管中的前景。
大模型联邦学习