交易异常检测模型实战应用
📚 共计 30 章节
01
课程导论：什么是交易异常检测？
为什么需要它？金融风控的现状与挑战。
入门
风控
02
数据准备：交易数据的特征工程
时间、金额、地点、设备指纹等。
特征
预处理
03
数据探索：Pandas 数据清洗
缺失值处理、异常值初步筛查。
Pandas
清洗
04
特征工程进阶：聚合与统计特征
时间窗口特征、行为序列特征。
高级特征
序列
05
标签工程：如何定义异常？
有监督 vs 无监督 vs 半监督标签策略。
标签
策略
06
数据不平衡处理：过采样与欠采样
SMOTE、代价敏感学习。
不平衡
SMOTE
07
模型选型：逻辑回归 / 树模型对比
决策树、随机森林、XGBoost、LightGBM。
对比
集成
08
孤立森林 (Isolation Forest)
原理与实战，适合高维异常检测。
孤立森林
高维
09
单类支持向量机 (One-Class SVM)
边界学习法，适合小样本场景。
SVM
小样本
10
自编码器 (Autoencoder)
基于重构误差的深度异常检测。
深度学习
重构
11
变分自编码器 (VAE)
概率视角下的异常检测，处理不确定性。
VAE
概率
12
时序异常检测：LSTM / GRU
序列交易数据上的应用。
时序
LSTM
13
图神经网络 (GNN) 检测团伙欺诈
利用交易网络关系（转账图）。
GNN
团伙
14
模型评估指标
精确率、召回率、F1、AUC-ROC、PR曲线。
评估
指标
15
阈值选择策略
根据业务成本 (FP/FN) 动态调整阈值。
阈值
成本
16
模型可解释性：SHAP / LIME
在异常检测中的应用。
可解释
SHAP
17
实时检测架构
Kafka + Flink + Redis 流式处理管道设计。
实时
架构
18
规则引擎与模型融合
硬规则（黑名单）+ 软模型（评分卡）协同。
规则
融合
19
模型部署：Flask / FastAPI
搭建推理服务，Docker 容器化。
部署
Docker
20
模型监控与漂移检测
PSI、KS 指标，数据漂移与概念漂移。
监控
漂移
21
A/B 测试与灰度发布
如何安全上线新模型？
A/B
灰度
22
案例实战1：信用卡盗刷检测
基于随机森林 + 特征工程。
信用卡
实战
23
案例实战2：洗钱交易识别
基于图神经网络 + 交易链路分析。
洗钱
GNN
24
案例实战3：账户登录异常检测
基于自编码器 + 行为画像。
登录
画像
25
案例实战4：电商交易欺诈检测
基于XGBoost + 实时特征。
电商
XGBoost
26
案例实战5：加密货币异常检测
基于时序模型 + 链上数据。
加密货币
时序
27
隐私保护与合规
差分隐私、联邦学习在风控中的应用。
隐私
联邦
28
自动化机器学习 (AutoML)
AutoGluon、H2O 在异常检测中的尝试。
AutoML
自动
29
前沿趋势：LLM 辅助异常检测
大语言模型、因果推断。
LLM
前沿
30
课程总结与项目实战
从0到1搭建完整交易异常检测系统。
总结
全栈