最新的反金融（反欺诈）犯罪调研研究报告，包括行业最新的动态，金融反欺诈画像、技术分析、以及展望，希望有用
2021-10-14 16:35:01
2.2MB
1
互联网中信誉欺诈行为严重影响了C2C电子商务的发展。如何有效识别互联网上的信誉欺诈商户是当前的研究热点。阐述了将基于交易历史的社会网络分析用于构建C2C电子商务信誉欺诈识别指标体系的原理及过程，通过使用LVQ神经网络对雅虎奇摩拍卖网采集的大量用户交易数据进行分类，有效识别出控制多个虚假账户以达到信用累计目的的信誉欺诈商户，对维护C2C电子商务交易的稳定性具有重要意义。
2021-10-10 13:22:08
638KB
1
数字风险防护管理，简称DRP（Digital Risk Protection），目前通常由企业内不同团队来完成，各自运营并着重于不同业务单元，致力于保护企业的数字足迹、数字资产。企业通过逐步建立跨职能的信任与安全团队（trust and safety teams），以洞察与客户的整体互动过程，避免数字资产被不法分子侵害。
2021-09-29 17:00:10
6.19MB
该存储库包含在《会计研究杂志》上发表的论文中使用的数据和代码。 如果您在研究中使用我们的数据和代码，请引用我们的论文，如下所示：
杨宝，柯斌，李斌，余嘉莉和张杰（2020）。 。 会计研究杂志，58（1）：199-235。
数据说明表
1.描述哪些作者处理了数据并进行了分析。
Yang Bao和Julia Julia处理了数据。 杨宝，宾科，李斌和余嘉莉共同进行了分析。
2.关于如何获取或生成原始数据的详细说明，包括数据源，下载或获取数据的特定日期以及用于生成数据的工具（例如，用于调查或实验）。 我们建议一位以上的作者能够为原始数据的所述来源提供担保。
本文使用档案数据。 数据主要来自可商购的来源。 详情如下所示。
AAER数据：我们最初的会计欺诈样本来自美国加州大学伯克利分校财务报告和管理中心（CFRM）编制的SEC的会计和审计执行公告（AAER）。
本文当前版本中使用的AA
2021-09-28 22:53:37
21.45MB
1
基于Python的金融反欺诈实战练习，附PPT讲解、源码及数据集
2021-09-28 17:08:18
6.32MB
整体系统架构和软件栈，怎样利用和改进Spark来形成最终方案。
如何搭建快速强大的特征衍生，选择和转化流程（Pipeline）。我们会在细节方面展示真实数据所带来的挑战和我们开发的采样，填充，缩放和其他领域专用的特征转换模块。我们正在将其中的许多内容贡献给Spark社区。
深入分析我们使用的算法怎样解决数据的不平衡性及与其他算法的对比结果。
在实现过程中累积的其他开发经验
2021-09-28 14:16:33
1.31MB
1
通过数据分析，对银行消费进行分析，判断用户的信用卡的消费是否非本人所为即是否存在盗刷行为，我们将采用二分类——逻辑回归算法对海量数据进行训练并创建相关数据模型，进行预测是否属于信用卡盗刷现象，从而预防此类现象的发生
2021-09-14 17:36:37
65.85MB
1