随着经济全球化的进程,金融活动日益活跃,洗钱犯罪行为也日益猖獗。而银行作为金融活动的主要机构,是洗钱的主要渠道,因此建立一套高效准确的风险防控系统可以给银行在日常的交易活动中带来很多便利。银行以往的反洗钱系统都是基于专家经验知识,在面对手段多样化,团伙作案、高效化的洗钱犯罪行为时,显得有些捉襟见肘。基于这种情况,本文在银行提供的丰富的日常交易数据的基础上,建立了一个高效准确的反洗钱监测服务系统。本文的主要研究内容和创新点如下:首先,针对银行提供的数据存在的数据不平衡的问题,本文从数据、算法、指标等三个层面上采用了多种措施来缓解数据不平衡带来的影响。在数据层面,提出了一种基于时间窗口的数据增强方案,在保证数据量扩增的同时,也增加了数据集的多样性。除此之外,还采用多种采样方法,使洗钱账户和正常账户的样本量基本达到平衡。在算法层面,选用了在数据不平衡问题上表现良好的决策树算法,尽量减少数据不平衡对于分类结果的影响。在指标方面,用F1值,PR曲线等来衡量模型性能,不使用accuracy这种比较模糊的指标。接着,本文提出了一种“三明治”式的特征提取方案,在原有的业务特征的基础上添加时序特征和社区特征,混合特征具有更强的信息表征能力。本文利用DTW算法来获取时序的相似度,作为样本的时序特征,利用社区分割算法提取社区特征。在对模型的特征重要性分析后,结果表明时序特征和社区特征占总体特征比例接近50%。有效的提高了模型的预测性能。最后,本文设计了模型集成的方案,将集成学习算法中基于Bagging集成的随机森林算法和基于Boosting集成的XGBoost算法相结合。将两者结合起来,在缓解数据不平衡问题带来的影响的同时,有效地提高了系统的识别准确率。实验结果表明,利用模型集成方案,复合模型的准确率和召回率等与单一模型相比有所提高。