kartikay-sachdeva/aml-risk-monitoring-system

## 概述 本项目模拟了一个用于 AML（反洗钱）和欺诈检测环境的金融风险监控系统。 该系统通过 SQL 规则检测、Python 统计异常检测以及账户级风险评分来分析合成金融交易并识别可疑活动，最终结果在 Power BI 管理仪表板中进行可视化。 其目标是演示如何将原始交易数据转化为可操作的风险洞察。 ## 技术栈 - PostgreSQL – 数据库与数据建模 - SQL – 特征工程与规则检测 - Python – 合成数据生成与异常检测 - Pandas / NumPy / Faker – 数据处理与模拟 - Power BI – 风险监控仪表板 - GitHub – 项目版本控制 ## 主要特性 - 合成金融交易数据集（约 20 万笔交易） - 基于 SQL 窗口函数的行为特征工程 - 基于规则的可疑活动检测 - 使用 Z-scores 进行统计异常检测 - Power BI 管理监控仪表板 ## 仪表板提供了金融风险敞口的高层级监控视图。 ### 关键指标包括： - 总交易数 - 总警报数 - 警报比率 % - 总风险敞口 - 风险层级分布 - 警报类型细分 - 高风险账户 ## 仪表板截图 

标签：AML, Faker, NumPy, Postgres, PostgreSQL, Power BI, Python, RegTech, SQL, Z-score, 云计算, 交易监控, 代码示例, 仪表盘, 反洗钱, 合规科技, 多线程, 异常检测, 数据分析, 数据合成, 数据工程, 无后门, 欺诈检测, 测试用例, 特征工程, 系统审计, 统计分析, 规则引擎, 账户风险评估, 逆向工具, 金融安全, 金融风控, 风险监测, 风险评分