机器学习在比特币反洗钱中的应用

发布时间：2022-02-24 02:12

　　随着跨境金融和互联网金融的普及和发展,洗钱手段更加复杂,技术上更加先进。目前,越来越多的洗钱犯罪分子将目光从传统的金融场景转向比特币,因为其具有非主权性、去中介化、匿名性和便捷性等便于洗钱的特点。由于比特币的整个交易网络数据是公开的,这不同于传统金融场景数据的保密性,更需要探索一系列大数据反洗钱方案。本文基于Elliptic公司公开的比特币交易数据集,探究反洗钱监测模型。基于交易实体的多维特征,交易实体间的交易流,以及部分交易实体被标记为合法或非法的数据构建分类模型,对于未标记交易实体进行分类。仅基于交易实体的多维特征数据构建有监督的分类模型,包括逻辑回归模型,随机森林模型和多层感知机模型。基于交易实体的多维特征和交易实体间的交易流数据,构建半监督分类模型——图卷积神经网络。选择谱图卷积的一阶近似作为图卷积层结构,构建两层图卷积神经网络模型。在已有的图卷积神经网络的输出层嵌入交易实体特征矩阵,得到改进模型。本文将每种方法训练所得模型应用于测试集数据,利用非法类的F1分数（分类精确率和召回率的调和平均数）评估模型效果。结果显示随机森林模型效果最好,甚至优于基于网络结构数据建模的图卷积神经... 

【文章来源】：华中师范大学湖北省211工程院校教育部直属院校

【文章页数】：48 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 研究现状
        1.2.1 反洗钱研究
        1.2.2 比特币反洗钱研究
    1.3 本文主要研究内容
    1.4 本文创新点
    1.5 文章结构安排
第二章 相关理论基础
    2.1 机器学习相关理论
        2.1.1 机器学习中的任务类型
        2.1.2 机器学习中的调参方法
        2.1.3 分类模型中样本不平衡问题的处理
        2.1.4 分类模型中的损失函数
    2.2 模型相关理论
        2.2.1 逻辑回归模型
        2.2.2 多层感知机模型
        2.2.3 随机森林模型
        2.2.4 图卷积神经网络模型
第三章 数据来源与探索性数据分析
    3.1 数据来源
    3.2 探索性数据分析
第四章 比特币反洗钱有监督分类模型实证
    4.1 数据准备
    4.2 逻辑回归模型实证
    4.3 多层感知机模型实证
    4.4 随机森林模型实证
第五章 比特币反洗钱半监督分类模型实证
    5.1 数据准备
    5.2 图卷积神经网络模型实证
    5.3 改进的图卷积神经网络模型实证
第六章 结论与展望
    6.1 结论
    6.2 展望
参考文献
致谢



本文编号：3641761