随着经济的发展和技术的进步,网上银行业务的出现与在线支付业务的兴起,使得以银行卡账户为主体的交易量迎来了井喷式增长。在海量的交易数据之下,始终隐藏着一些违法违规的交易行为。伴随着交易形态的丰富,这些非法交易的手段、模式越发复杂,并且更加隐秘。而这些交易及其背后所代表的违法犯罪行为不仅会给整个社会带来极大的伤害,同时也会损害银行自身的利益。因此针对洗钱、欺诈交易的识别、上报始终是银行风险防控管理中的重要工作之一。异常交易检测作为反洗钱、反欺诈工作中的上游环节,其准确性决定了后续人工核实成效的上限,同时也决定了风控人员的工作负担。当前业界普遍使用的反洗钱、反欺诈系统主要基于规则引擎实现,其存在误报率高、规则调整不灵活、阈值设定过于主观等问题,难以应对非法交易模式的动态变化。机器学习检测模型所具备的自适应性在很大程度上能改善这些问题,而银行长期积累下来的海量交易数据与风控系统知识库可以有效支撑模型的建设。本文将从面向反欺诈、反洗钱业务的银行智能风控体系发展现状出发,阐述异常交易检测在整个体系中的重要性。通过分析比较不同的异常交易检测技术,解释当前行业内流行的以规则引擎为核心的异常交易检测技术存在的不足和面临的挑战,从而凸显机器学习领域在解决这些问题上的优势,明确了基于机器学习模型进行异常交易检测任务的必要性。然后使用来自银行的真实交易数据进行实验分析,并提出一套具有一定可迁移性的检测体系,改进传统的检测流程,进而减轻风控人员的负担,提升异常交易检测的响应速度。最后从数据管理、知识管理的角度探讨智能化银行卡异常交易监管体系建设思路,同时给出相关人才培养、应用拓展等方面的展望,对银行传统风控体系的智能化改造具有一定参考价值。本研究最主要的贡献为:利用现有专家系统的异常交易检测规则,指导数据预处理中的特征衍生,从而使得模型不仅能捕捉到整个客户群体的行为模式,也能关注到客户自身的行为特点;针对当前行业内普遍存在的数据量大但标注少且难以实施人工标注的情况,采用无监督学习的稀疏自编码模型,避免监督式学习中由于训练样本不足以及类别不平衡造成的训练困难和模型效果不佳的问题;提出以数据管理与知识管理为核心的管理思路,帮助银行建设能够自主研发、持续挖掘数据价值的团队,以数据与知识驱动银行智能风控体系的可持续发展。