詹秋泉 張森

本文以銀行ATM交易狀態(tài)為研究對象，研究ATM交易狀態(tài)的特征以及交易異常狀態(tài)的檢測，并且對ATM交易出現(xiàn)異常狀態(tài)提出預(yù)警。

針對問題（1），首先我們選取業(yè)務(wù)量作為ATM交易狀態(tài)特征的評價指標(biāo)。將本文所提供的每日每分鐘業(yè)務(wù)量指標(biāo)劃分為每日總業(yè)務(wù)量指標(biāo)和日內(nèi)每10分鐘業(yè)務(wù)量指標(biāo)，以此作為判斷不同日期的ATM交易狀態(tài)和不同時間的ATM交易狀態(tài)。運(yùn)用聚類分析的方法，對不同日期的ATM交易狀態(tài)進(jìn)行聚類分析，提出春節(jié)前5天、春節(jié)期間7天、工作日（非法定假日）和周末（非法定假日）共4個時期的ATM交易狀態(tài)；同樣運(yùn)用聚類分析的方法，對不同時間的ATM交易狀態(tài)進(jìn)行聚類分析，提出上班高峰業(yè)務(wù)時間、早間與晚間業(yè)務(wù)時間以及夜間低谷業(yè)務(wù)時間共3個時間的ATM交易猶態(tài)；

針對問題（2），根據(jù)銀行數(shù)據(jù)中心監(jiān)控系統(tǒng)分析可知，ATM交易系統(tǒng)出現(xiàn)異?；蚬收现饕譃榍岸私灰桩惓：秃蠖颂幚懋惓?。具體表現(xiàn)為業(yè)務(wù)量陡降、交易成功率低下和交易響應(yīng)時間過長三個特點(diǎn)。根據(jù)這些特點(diǎn)，我們可以判斷出不同日期和不同時間的ATM交易系統(tǒng)異常狀態(tài)。由此我們建立了不同日期的ATM交易系統(tǒng)異常檢測模型和不同時間的ATM交易系統(tǒng)異常檢測模型。

針對問題（3），由問題（2）建立的ATM交易系統(tǒng)異常檢測模型可以判斷發(fā)生異常的概率，但是該模型僅僅是以1月23日至4月23日共91天的數(shù)據(jù)求解得出的，難以作為日常ATM交易系統(tǒng)異常狀態(tài)的檢測，同時存在較大的偶然性，例如春節(jié)期間所帶來的特殊性。為此，我們應(yīng)該采集一年的交易數(shù)據(jù)，建立不同日期和不同時間的ATM交易系統(tǒng)異常檢測模型。同時，采用動態(tài)更新的ATM交易系統(tǒng)異常檢測模型，作出更準(zhǔn)確、及時的判斷。

最后采用動態(tài)優(yōu)化的思想，將上述的模型進(jìn)行動態(tài)擬合求解，尋找出更精確、更及時的ATM交易系統(tǒng)異常檢測模型，并對模型進(jìn)行評價和推廣。

ATM 特征分析

聚類分析 logit異常檢測模型

問題的提出

商業(yè)銀行總行數(shù)據(jù)中心監(jiān)控系統(tǒng)為了實時掌握全行的業(yè)務(wù)狀態(tài)，每分鐘對各分行的交易信息進(jìn)行匯總統(tǒng)計。匯總信息包括業(yè)務(wù)量、交易成功率、交易響應(yīng)時間三個指標(biāo)。商業(yè)銀行總行數(shù)據(jù)中心監(jiān)控系統(tǒng)通過對每家分行的匯總統(tǒng)計信息做數(shù)據(jù)分析，來捕捉整個前端和后端整體應(yīng)用系統(tǒng)運(yùn)行情況以及時發(fā)現(xiàn)異?；蚬收?。常見的故障場景包括但不限于如下情形：

1.分行側(cè)網(wǎng)絡(luò)傳輸節(jié)點(diǎn)故障，前端交易無法上送請求，導(dǎo)致業(yè)務(wù)量陡降；

2.分行側(cè)參數(shù)數(shù)據(jù)變更或者配置錯誤，數(shù)據(jù)中心后端處理失敗率增加，影響交易成功率指標(biāo)；

3.數(shù)據(jù)中心后端處理系統(tǒng)異常（如操作系統(tǒng)CPU負(fù)荷過大）引起交易處理緩慢，影響交易響應(yīng)時間指標(biāo)；

4.數(shù)據(jù)中心后端處理系統(tǒng)應(yīng)用進(jìn)程異常，導(dǎo)致交易失敗或響應(yīng)緩慢。

根據(jù)某商業(yè)銀行ATM應(yīng)用系統(tǒng)某分行的交易統(tǒng)計數(shù)據(jù)，建立數(shù)學(xué)模型解決如下問題：

（1）選擇、提取和分析ATM交易狀態(tài)的特征參數(shù)；

（2）設(shè)計一套交易狀態(tài)異常檢測方案，在對該交易系統(tǒng)的應(yīng)用可用性異常情況下能做到及時報警，同時盡量減少虛警誤報；

（3）設(shè)想可增加采集的數(shù)據(jù)?；跀U(kuò)展數(shù)據(jù)，你能如何提升任務(wù)（1）（2）中你達(dá)到的目標(biāo)？

問題的分析

問題（1）需要分析ATM交易狀態(tài)，我們采取分類的思想，以交易量作為判斷指標(biāo)將ATM交易狀態(tài)劃分為不同的特征狀態(tài)。首先，我們將本文所提供的每日每分鐘業(yè)務(wù)量指標(biāo)劃分為每日總業(yè)務(wù)量指標(biāo)和日內(nèi)每10分鐘業(yè)務(wù)量指標(biāo)，以此作為判斷不同日期的ATM交易狀態(tài)和不同時間的ATM交易狀態(tài)。結(jié)合聚類分析的情況，同時考慮到國內(nèi)春節(jié)前后的特殊性，并參考許元紅[1]（2006）的研究，我們可以初步判斷出本文所給的數(shù)據(jù)受到春節(jié)因素的影響。由此，我們提出春節(jié)前5天、春節(jié)期間7天、工作日（非法定假日）和周末（非法定假日）共4個時期的ATM交易狀態(tài)；再次運(yùn)用聚類分析的方法，對不同時間的ATM交易狀態(tài)進(jìn)行聚類分析，提出午間高峰期、正常業(yè)務(wù)時間以及夜間低谷業(yè)務(wù)時間共3個時間的ATM交易狀態(tài)。并對不同時期各個時間的ATM交易狀態(tài)進(jìn)行分析，得出結(jié)論。

問題（2）需要設(shè)計一套交易狀態(tài)異常檢測方案，首先我們根據(jù)ATM交易系統(tǒng)出現(xiàn)異常的原因和表現(xiàn)特征進(jìn)行分析，可知ATM交易系統(tǒng)出現(xiàn)異常具體表現(xiàn)為業(yè)務(wù)量陡降、交易成功率低下和交易響應(yīng)時間過長三個特點(diǎn)?；谶@些特點(diǎn)，可以初步判斷某一時期和某一時間是否存在異常，并建立ATM交易系統(tǒng)狀態(tài)指標(biāo)。然后，運(yùn)用logil回歸模型進(jìn)行分析，選取交易量、平均交易成功率和平均交易響應(yīng)時間共3個指標(biāo)作為解釋變量，對ATM交易系統(tǒng)狀態(tài)指標(biāo)進(jìn)行回歸分析，并對模型進(jìn)行參數(shù)估計。由此建立不同日期的ATM交易系統(tǒng)異常檢測模型和不同時間的ATM交易系統(tǒng)異常檢測模型。最后，運(yùn)用移動平均法的思想，選取MA3作為下一時期3個解釋變量的預(yù)測值，選取MA5作為下一時間3個解釋變量的預(yù)鋇J值，對下一時期和下一時間的交易系統(tǒng)是否異常進(jìn)行檢測，最終得出ATM交易系統(tǒng)出現(xiàn)異常的概率，相應(yīng)做出預(yù)防系統(tǒng)異常工作和系統(tǒng)異常的處理工作。

問題（3），由問題（2）建立的ATM交易系統(tǒng)異常檢測模型可以判斷發(fā)生異常的概率，但是該模型僅僅是以1月23日至4月23日共91天的數(shù)據(jù)求解得出的，難以作為日常ATM交易系統(tǒng)異常狀態(tài)的檢測，同時存在較大的偶然性，例如春節(jié)期間所帶來的特殊性。為此，我們應(yīng)該采集一年的交易數(shù)據(jù)，建立不同日期和不同時間的ATM交易系統(tǒng)異常檢測模型。同時，采用動態(tài)更新的ATM交易系統(tǒng)異常檢測模型，作出更準(zhǔn)確、及時的判斷。

模型的假設(shè)

假設(shè)ATM交易系統(tǒng)異常一定會導(dǎo)致交易未成功，使得交易成功率下降；

假設(shè)ATM交易系統(tǒng)異常一定會導(dǎo)致交易響應(yīng)時間過長；

假設(shè)ATM交易系統(tǒng)異常與交易量無關(guān)；

假設(shè)所收集的ATM交易數(shù)據(jù)真實、可靠。

注：由于本文模型均建立在較長時間（超過10分鐘）的統(tǒng)計匯總指標(biāo)上，因此，不能判定業(yè)務(wù)量的驟減，是因為出現(xiàn)系統(tǒng)異常所引起，還是因為該時間內(nèi)沒有發(fā)生交易所引起。所以，假定ATM交易系統(tǒng)異常與交易量無關(guān)。

模型建立與求解

（1）ATM交易狀態(tài)特征分析

1.數(shù)據(jù)預(yù)處理

由于本文所提供的數(shù)據(jù)為每日每分鐘業(yè)務(wù)量統(tǒng)計數(shù)據(jù)，一共有131013個樣本（部分時期的少數(shù)時間內(nèi)為無交易狀態(tài)），其樣本總量過大，不便于整體分析。所以，我們將所給數(shù)據(jù)劃分兩類數(shù)據(jù)，一是為以天為單位的交易數(shù)據(jù)，將每天所有分鐘的數(shù)據(jù)匯總，稱之為不同日期的交易數(shù)據(jù)；二是以10分鐘作為間隔單位的交易數(shù)據(jù)，將每10分鐘所有天數(shù)的數(shù)據(jù)進(jìn)行匯總，稱之為不同時間的交易數(shù)據(jù)。具體過程采用MATLAB2014a版本軟件實現(xiàn)。

在進(jìn)行數(shù)據(jù)處理之前，涉及到兩種數(shù)據(jù)處理問題，一是數(shù)據(jù)結(jié)構(gòu)處理，二是數(shù)據(jù)類型處理。具體處理如下：

（1）文本合并：將日期、時間文本數(shù)據(jù)前添加文本”1”，如日期”0123”轉(zhuǎn)化為日期”10123”，時間”0000”轉(zhuǎn)化為”10000”；

（2）數(shù)值類型轉(zhuǎn)化：將上述處理好的文本類型數(shù)據(jù)轉(zhuǎn)化為數(shù)值類型數(shù)據(jù)，直接引用excel中VALiIE（text）函數(shù)轉(zhuǎn)化處理即可。

2.ATM交易狀態(tài)描述性統(tǒng)計分析

根據(jù)上述的數(shù)據(jù)預(yù)處理，我們可以得到兩種類型的數(shù)據(jù)，一是不同日期的交易數(shù)據(jù)；二是不同時間的交易數(shù)據(jù)。借助MATLAB軟件，可以得到這兩種類型的交易數(shù)據(jù)情況，這樣就可以推出不同日期的交易特征以及不同時間的交易特征。具體如下：

不同日期的交易特征具體表現(xiàn)為：1月23日～1月27日，處于日交易量高峰時期，平均每天交易量為1566472筆，最高交易量達(dá)到1836189筆；1月28日～2月3日，處于日交易量低谷時期，平均每天交易量為541942筆，最低交易量為379700筆；2月4日～4月23日，處于正常交易量時期，平均每天交易量為831076筆，這一時期的日交易量最高可達(dá)1001081筆，最低為612968筆，且表現(xiàn)出明顯的周期波動，據(jù)此可初步判斷為工作日與周末因素所產(chǎn)生的影響。

不同時間的交易特征具體表現(xiàn)為：凌晨12點(diǎn)～早上6點(diǎn)，處于凌晨交易量低谷時間，平均每10分鐘的交易量為32筆，最低交易量為14筆；早上6點(diǎn)一早上9點(diǎn)，處于早間正常交易量時間，平均交易量為433筆，且隨時間呈現(xiàn)出遞增的趨勢；早上9點(diǎn)～下午6點(diǎn)，處于日間高峰交易量時間，平均交易量為1082筆，其中午間1小時（11點(diǎn)30分-12點(diǎn)30分）呈現(xiàn)小幅下降，其交易量平均為956筆；下午6點(diǎn)～晚間10點(diǎn)，處于晚間正常交易量時間，平均交易量為660筆，且隨時間呈現(xiàn)出遞減的趨勢；晚間10點(diǎn)～凌晨12點(diǎn)，處于夜間交易量低谷時間，平均交易量為139筆，同時隨時間呈現(xiàn)出遞減的趨勢。

3.ATM交易狀態(tài)聚類分析

根據(jù)上述描述性統(tǒng)計的初步分析，我們大致可以將不同日期的交易狀態(tài)分為3個時期，將不同時間的交易狀態(tài)分為5個時間段。不同時期和不同時間的交易量呈現(xiàn)出不一樣的交易狀態(tài)特征。為了進(jìn)一步更精確的分析，我們采用聚類分析的方法，對上述不同日期的交易數(shù)據(jù)和不同時間的交易數(shù)據(jù)進(jìn)行分析。

4.ATM交易狀態(tài)的聚類結(jié)果分析

根據(jù)聚類分析結(jié)果，綜合考慮國內(nèi)春節(jié)前后的特殊性，以及工作日與周末之間的差異，最終將不同時期的ATM交易狀態(tài)劃分為4個時期，具體ATM交易狀態(tài)特征如表（1）所示；綜合考慮日間工作時間以及作息時間，最終將不同時間的ATM交易狀態(tài)劃分為3個時間段，具體ATM交易狀態(tài)特征如表（1）所示。

（2）ATM交易系統(tǒng)異常檢測模型

1 .ATM交易系統(tǒng)發(fā)生異常的原因

根據(jù)商業(yè)銀行數(shù)據(jù)中心監(jiān)控系統(tǒng)通過對每家分行的匯總統(tǒng)計信息做數(shù)據(jù)分析，對每家分行的ATM交易系統(tǒng)整體前端和后端整體運(yùn)行情況進(jìn)行檢測，統(tǒng)計分析可知，常見的故障場景主要分為以下幾種情形：

第一，分行側(cè)網(wǎng)絡(luò)傳輸節(jié)點(diǎn)故障，前端交易無法上送請求，導(dǎo)致業(yè)務(wù)量陡降；

第二，分行側(cè)參數(shù)數(shù)據(jù)變更或者配置錯誤，數(shù)據(jù)中心后端處理失敗率增加，影響交易成功率指標(biāo)；

第三，數(shù)據(jù)中心后端處理系統(tǒng)異常（如操作系統(tǒng)CPU負(fù)荷過大）引起交易處理緩慢，影響交易響應(yīng)時間指標(biāo)；

第四，數(shù)據(jù)中心后端處理系統(tǒng)應(yīng)用進(jìn)程異常，導(dǎo)致交易失敗或響應(yīng)緩慢。

2.ATM交易系統(tǒng)異常狀態(tài)判別

根據(jù)上述ATM交易系統(tǒng)發(fā)生異常的原因分析，可以提出3個交易系統(tǒng)出現(xiàn)異常的判別標(biāo)準(zhǔn)。分別為：第一，該時間內(nèi)的業(yè)務(wù)量陡降；第二，該時間內(nèi)的交易成功率較低；第三，該時間內(nèi)的交易響應(yīng)時間過長。同時，由于本文模型均建立在較長時間（超過10分鐘）的統(tǒng)計匯總指標(biāo)上進(jìn)行研究，因此，難以判定業(yè)務(wù)量的驟減，是因為出現(xiàn)系統(tǒng)異常所引起，還是因為該時間內(nèi)沒有發(fā)生交易所引起。由此，我們假定ATM交易系統(tǒng)異常與交易量無關(guān)，本文是基于該假定進(jìn)行研究的。所以，本文最終判別ATM交易系統(tǒng)是否出現(xiàn)異常的標(biāo)準(zhǔn)有兩個，一是該時間內(nèi)的交易成功率較低；二是該時間內(nèi)的交易響應(yīng)時間過長。

按照上述判別ATM交易狀態(tài)異常狀態(tài)的思路，我們可以建立不同時期和不同時間的ATM交易系統(tǒng)狀態(tài)指標(biāo)TS，和TSi。由此，我們可以得出不同時期和不同時間的ATM交易系統(tǒng)異常狀態(tài)情況。

3.ATM交易系統(tǒng)異常檢測模型

根據(jù)上述分析，可知引起ATM交易系統(tǒng)異常的因素主要為交易成功率指標(biāo)和交易響應(yīng)時間指標(biāo)，同時，依據(jù)ATM交易系統(tǒng)異常狀態(tài)判別分析，我們可以得到ATM交易系統(tǒng)異常狀態(tài)指標(biāo)?；谏鲜龇治觯罱K建立不同日期的ATM交易系統(tǒng)異常檢測模型和不同時間的ATM交易系統(tǒng)異常檢測模型。模型設(shè)定如下：

其中P表示“TS=1”發(fā)生的概率，即發(fā)生ATM交易系統(tǒng)異常的概率；則1-P表示ATM交易系統(tǒng)未發(fā)生異常的概率；模型中參數(shù)α是常數(shù)項，β1、β2分別為影響ATM交易系統(tǒng)發(fā)生異常的系數(shù)，ε為干擾項。

根據(jù)上述模型設(shè)定，本文運(yùn)用logit回歸模型進(jìn)行分析，選取平均交易成功率和平均交易響應(yīng)時間共2個指標(biāo)作為解釋變量，對ATM交易系統(tǒng)狀態(tài)指標(biāo)進(jìn)行回歸分析，運(yùn)用STATA軟件對模型進(jìn)行參數(shù)估計。

根據(jù)logit回歸分析結(jié)果，我們可以得出不同時期和不同時間的ATM交易系統(tǒng)異常檢測模型如下：ln TSt=1895.231-2002.572*successratet+0.2049responsetimetlnTSi=280.9004-303.8507*successratel+0.0909responsetimei

根據(jù)上述ATM交易系統(tǒng)異常檢測模型，即可判斷不同時期和不同時間發(fā)生異常的概率，進(jìn)而能夠?qū)υ摻灰紫到y(tǒng)發(fā)生異常情況及時報警。最后運(yùn)用移動平均法的思想，選取MA3作為下一時期2個解釋變量的預(yù)測值，選取MA5作為下一時間2個解釋變量的預(yù)測值，從而能夠提早對下一時期和下一時間的交易系統(tǒng)是否異常進(jìn)行檢測，最終得出ATM交易系統(tǒng)發(fā)生異常的概率，相應(yīng)做出預(yù)防系統(tǒng)異常工作和系統(tǒng)異常的處理工作。

模型評價及改進(jìn)

（1）模型評價

1.本文對ATM交易狀態(tài)特征的分析，采用聚類分析方法，避免了人為主觀的臆斷，首先通過描述性統(tǒng)計分析的思路，初步得出ATM交易狀態(tài)的一般特征，進(jìn)而通過聚類分析的方法，客觀地反映出ATM交易狀態(tài)的具體特征。綜合比對初步得出的結(jié)論與客觀運(yùn)算求出的結(jié)論，可知聚類分析的結(jié)果基本與事實相符，且具有更高的精確性。

2.本文對ATM交易系統(tǒng)異常狀態(tài)的檢測，按照原因分析、異常判別以及實證研究的思路，運(yùn)用logit模型進(jìn)行擬合求解，得到具體的ATM交易系統(tǒng)異常狀態(tài)檢測模型，且相應(yīng)的參數(shù)估計結(jié)果與事實相符，即交易成功率與系統(tǒng)發(fā)生異常的概率呈現(xiàn)負(fù)相關(guān)關(guān)系，交易響應(yīng)時間與系統(tǒng)發(fā)生異常的概率呈現(xiàn)正相關(guān)關(guān)系。該結(jié)論具備一定客觀性與可靠性。

（2）模型改進(jìn)

1.本文運(yùn)用的聚類分析，直接采用k-means聚類的思想，是因為該聚類方法對異常值較為敏感，但是也容易受到異常值的影響，同時需要提前設(shè)定類別的個數(shù)，不能自主識別最優(yōu)聚類結(jié)果。因此，可通過嘗試其他聚類的思想，多次進(jìn)行聚類分析，尋找最優(yōu)的聚類結(jié)果。

2.本文對ATM交易系統(tǒng)出現(xiàn)異常的判別，是基于ATM交易系統(tǒng)異常檢測模型，而想要對下一時期和下一時間的交易系統(tǒng)狀態(tài)進(jìn)行異常檢測，必須提前對下一時期與下一時間的交易成功率和交易響應(yīng)時間進(jìn)行預(yù)測，因此，為了更加精確、及時地對ATM交易系統(tǒng)進(jìn)行異常識別，必須要對交易成功率和交易響應(yīng)時間指標(biāo)的預(yù)測模型進(jìn)行改進(jìn)及優(yōu)化。

[1]許元紅，吳揚(yáng)揚(yáng).基于聚類方法的ATM交易量分析[J].金融科技時代，2006，14（1）：56-58.

[2]方開泰等.聚類分析[M].地質(zhì)出版社，1982.

[3]費(fèi)宇.多元統(tǒng)計分析[M].中國人民大學(xué)出版社，2014.