洗钱行为往往是与各种严重犯罪联系在一起的，它既可以是上游犯罪的延续，也可以是下游犯罪的经济支持。随着经济全球化的发展和国际金融市场的逐渐完善，反洗钱已成为国际金融领域的重要课题。 数据报告制度是反洗钱的基础和各国反洗钱报告的基本方式。中国人民银行的反洗钱监测分析中心，分析和监测的基础数据来自于数据报告制度所要求的大额和可疑交易报告。然而我国现行的数据报告制度存在易规避、自适应能力低下、海量数据和误报率高等问题。因此本文的主要目的就是要在现行数据报告制度的基础上，提出一种基于证券账户交易数据的不易规避、并能体现地区差异且动态变化、人工智能化的可疑交易行为识别方法，这对完善我国反洗钱数据报告制度具有相当重要的意义，同时也符合国际反洗钱研究的发展方向。 本文通过对现行反洗钱数据报告制度的深入探讨与研究，采用数据挖掘中的统计方法对实际数据进行分析。取得如下成果： 1．构建了证券公司反洗钱系统的指标体系 通过理论研究与笔者的实践经验，本文构建了比较完整的证券公司反洗钱系统的指标体系，有重要的实践意义，可以帮助证券公司完善反洗钱指标体系，健全风险管理系统功能点设置，帮助证券公司实现有效的风险管理。 2．采用动态阈值作为报告标准 实证分析结果发现，目前反洗钱监测中心采用统一阈值分析异常交易数据的方法是有缺陷的。不同区域的客户或不同资产状况的客户的交易量大小是有显著差异，因此，不同区域客户的报告标准应有所不同。本文根据各营业部的交易情况采用统计学中的置信上限作为报告标准的阈值。这种设置阈值的方法，洗钱分子不容易逃避。 3．缩小了报告的数据量，降低了数据的误报率 通过反洗钱系统中的各指标分析出可疑账户以后，基于历史数据再利用贝叶斯方法对各可疑账户进行洗钱行为的概率估计，对可疑账户的洗钱嫌疑给出排名，便于证券公司甄别。