richardflentie/aml-detection-engine

📌 AML 检测引擎 本项目使用合成交易数据模拟一个端到端的反洗钱（AML）检测系统。 🧠 概述 该流水线结合了： 行为特征工程 基于规则的检测（分拆交易、身份验证交易激增、高风险地理区域、与预期行为的不匹配） 异常评分 基于严重性的优先级排序 可解释的告警叙述 🔄 流水线流程 数据 → 特征 → 异常检测 → 规则引擎 → 评分 → 去重 → 告警 🚨 示例告警 分拆交易：3 天内 3 笔交易总计 28,695 美元；异常评分 62；7 天内计数激增 📊 数据集 500 名客户 约 42,000 笔交易 约 80+ 条最终告警 ⚙️ 技术栈 Python Pandas / NumPy 模块化流水线设计 🎯 重要性 本项目展示了： AML / 金融犯罪领域理解 行为分析 基于风险的告警优先级排序 可解释的检测系统 🔥 后续增强 减少误报 同行分组细分 机器学习模型 仪表板（Power BI / Streamlit）

标签：AML, Apex, KYC, NumPy, Power BI, Python, Streamlit, 云计算, 交易监测, 仪表盘, 假阳性降低, 去重, 反洗钱, 可解释性, 合成数据, 同行分组, 告警优先级, 异常评分, 数据管道, 无后门, 机器学习, 模块化设计, 流水管线, 特征工程, 结构化交易, 自动化修复, 行为偏差, 行为特征, 规则引擎, 访问控制, 软件工程, 逆向工具, 金融犯罪, 风险分析, 高风险地理