网络银行,是一种依靠互联网技术和信息技术构筑的在线电子交易系统,银行或其他金融机构能够通过该系统向、客户提供在线的金融服务。近年针对网络银行的高科技犯罪手段层出不穷,其中转账以及电子支付涉及到资金的流转,风险问题尤为突出。如何借助技术手段识别对针对转账以及电子支付等资金交易的犯罪行为,是银行等金融管理机构正面临的风险防控管理的难题。当前股份制商业银行等金融机构等风控管理模型,存在着时效性差、漏检率高等风险。其中异常交易检测等反欺诈技术是整个风控模型的重点。本文重点研究基于深度学习的银行交易反欺诈风控子模块,并对深度学习在银行交易异常交易检测方面的应用和调优。研究深度学习在银行交易数据特征提取方面的应用。本论文主要内容如下:1.提出了一种银行交易数据特征提取方法:特征提取对于提升模型的拟合效果尤为重要。传统特征提取方法采用欧氏距离进行样本点的相似度的度量,无法度量空间向量方向上的差异,本文提出一种使用余弦度量样本空间点之间的相似度的特征提取方法。2.提出了一种基于深度学习的银行交易数据异常检测模型:机器学习模型的神经网络由于采用梯度下降算法进行局部最优解求解,存在拟合速度慢等下,训练过程中容易出现梯度消失等问题。本文提出一种基于改良后的优化算法,在目标函数求解过程中采用动态学习率更新,用于解决随机梯度下降算法学习率恒定引起的效率问题。3.研发网络银行在线实时风控管理系统:基于机器学习模型实现网络银行异常交易检测,使用Spring Cloud微服务框架,解决单体应用横向扩展瓶颈。通过异步消息队列实现与智能风险管理系统进行对接。经系统测试与分析,达到预期效果。如何准确高效地检测异常交易是国内实时风控系统研究的共同目标,本论文研究传统方法异常交易检测的不足,提出相应机器学习算法的优化方法;借助深度学习实现银行交易实时反欺诈子系统,大大提升银行智能风险管理能力。