文|丁树声 章勇敏

引言

“贫穷的代价是昂贵的”，这是普惠金融倡导者共同的信条。这个信条反映出这样一个事实：那些处于社会边缘的人在加入现代金融体系的过程中存在一定的阻碍，参与的成本也相对较高。这种对加入金融体系的限制（例如，注册银行账户的能力），在某种程度上是越来越严格的反洗钱（Anti-Money Laundering,AML）法规带来的意外结果，虽然反洗钱对保护金融体系至关重要，但却对低收入者、移民和难民产生了不成比例的负面影响(Daniel,2012)。相对成本较高的问题，也可以认为是反洗钱政策的特性造成的，该政策在货币服务业务(Money Service Businesses,MSBs)上强制执行较高的固定合规成本，而“低价值”客户根本不值得这些业务去冒这样的风险。

以全球中低收入国家的汇款为例，它们在2018年进行的汇款活动达到了5290亿美元，创下了历史新高，远远超过全球1530亿美元的援助捐款。在这些国家，目前人们转账200美元，平均的汇款费用率是7个点，有些国家的费率甚至超过了10%。而联合国可持续发展目标是在2030年降低至3%。尽管问题普遍存在着，反洗钱监管却不能因为负担过重的原因而被草率驳回。原因是，诸多非法产业，如贩毒集团、人口贩运和恐怖组织，在世界各地造成了众多人类悲剧。最近发生的马来西亚发展有限公司洗钱丑闻，夺走了马来西亚人民用于国家发展的110多亿美元纳税人资金，这起事件也牵连了高盛（Goldman Sachs）等组织，涉及到巨额罚款和刑事起诉。爱沙尼亚最近发生的丹斯克银行洗钱丑闻，曾是俄罗斯和阿塞拜疆约2000亿美元非法资金流入的中心，其同样给这些国家的无辜公民造成了不可估量的损失，而受其牵连的机构，如丹麦银行（Danske bank）和德意志银行（Deutsche bank），因此而损失数十亿美元（Weber et al., 2019）。因此，自20世纪80年代中期以来，洗钱被认为是一个具有严重经济和社会影响的重大全球问题（Friedrich and Quick,2019）。随着恐怖主义和黑市的不断发展，这一点变得尤为重要，这使大多数西方国家政府感到担忧。

反洗钱三项核心工作

因此，反洗钱（AML）监管在保障金融体系方面发挥着关键作用，一般情况下，反洗钱需要进行三项核心的工作，包括客户身份识别，客户身份资料、交易信息保存，大额、可疑交易报告。

对于客户身份的识别，首先要了解你的客户。不仅要了解客户身份，而且也需要了解客户交易。客户身份识别，指的是识别代理人身份，识别受益人身份，重新识别客户身份，持续识别客户身份。需要了解客户的信息包括客户身份基本信息：自然人客户“身份基本信息”九要素，包括客户的姓名、性别、国籍、职业、住所地或者工作单位地址、联系方式、身份证件或者身份证明文件的种类、号码和有效期限。法人、其他组织和个体工商户客户身份基本信息“十五要素”，包括客户的名称、住所、经营范围、组织机构代码、税务登记证号码；可证明该客户依法设立或者可依法开展经营、社会活动的执照、证件或者文件的名称、号码和有效期限、控股股东或者实际控制人、法定代表人、负责人和授权办理业务人员的姓名、身份证件或者身份证明文件的种类、号码、有效期限。

在识别客户身份过程中需要对一些信息进行核实，其中包括：了解客户的交易目的和交易性质、实际控制客户的自然人和交易的实际受益人；核对客户的有效身份证件或其他身份证明文件；登记客户身份的基本信息；留存客户有效身份证件或其他身份证明文件的复印件或影印件，授权委托书原件。

客户身份资料和交易信息保存是反洗钱的重要措施。其主要目的是作为履行客户身份和交易报告的证明，为再现客户资金交易过程、发现可疑交易提供依据，为违法犯罪活动的调查、侦查、起诉、审判提供证据。客户资料有一定的保存期限，开户资料自业务关系结束之日起、交易资料自交易结束之日起保存期限应至少在15年以上；各业务系统记录的电子交易信息应满足至少5年的联机查询要求。

大额和可疑交易报告制度是反洗钱工作的重中之重。反洗钱的主要目的是发现和甄别违法犯罪活动的有关线索。2017年7月1日起施行的中国人民银行的3号令《金融机构大额交易和可疑交易报告管理办法》，成为反洗钱领域的重要文件，其明确了金融机构履行可疑交易报告义务的要求，有助于提高金融机构可疑交易报告工作的合规性和有效性，有利于预防、遏制洗钱和恐怖融资等犯罪活动，维护我国金融体系的安全稳健，进一步与国际标准接轨。

可疑交易规则一方面来源于监管机构的指导性文件，金融机构对其进行细化落实，另一方面来源于洗钱犯罪行为的案件还原和经验总结。可疑交易规则设计的思路源于对异常交易的识别，主要关注于交易频率异常、分散转入、集中转出；交易金额和频率同客户身份、财务状况和经营业务明显不符合，账户表现异常；恶意逃避大额和可疑交易报送，转账频率和金额接近上报标准；非正常的现金交易以及关联账户、代理账户、多账户控制等异常行为等。可疑交易最大的挑战是可疑交易阙值的确定：阙值定的太低，会大量拦截正常交易，耗费大量的人工进行复核；而阙值定的过高，会放过可疑交易，影响反洗钱的有效性。

反洗钱三项核心工作中，可疑交易报告最具挑战性。一方面由于中国金融行业支付手段丰富、金融服务不规范、数据治理落后、各行业管理水平相差较大等原因，另一方面是银行自身反洗钱技术升级较慢，落后于国际银行同业的发展。央行副行长殷勇曾表示，金融制裁合规风险凸显，我国金融机构海外反洗钱合规风险上升。

人工智能在传统反洗钱领域的应用探索

2020年伊始，全球正在经历新一轮的科技和产业革命，人工智能作为这一轮革命的风暴中心，成为各国争相竞逐的赛道。人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。经典地，其研究包括自然语言处理和翻译，视觉感知，模式识别，决策制定等（Goldman Sachs,2016）。人工智能中的机器学习（Machine Learning,ML）是一门多领域交叉学科，涉及概率论、统计学、算法复杂度理论等多门学科。机器学习专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎来分析问题。

归纳与演绎是逻辑思维的两种方式，归纳就是从个别到一般，演绎则是从一般到个别。机器学习的工作方式类似于归纳法，对于样本进行学习，了解影响其数据表现的主要特征变量，学习反洗钱专家判断可疑交易的依据，将其作为参考（知识库）。机器学习提炼出识别可疑交易的关键数据维度和数据特征值，利用算法来进行分析计算，在海量交易中识别具备洗钱特点的交易和账号，并按照相似程度（发生概率）进行排名。相对于规则引擎的可疑交易识别，机器学习具有参考数据维度多、覆盖全面、分析复杂、评估全面等客观特点。

机器学习分为有监督学习、无监督学习和半监督学习，其中有监督学习主要用于在数据标注比较丰富、数据表现明显、数据饱和度较高的可疑交易识别和筛选。无监督学习和半监督学习主要用于数据标签较少、数据表现不明显、数据饱和度不高的复杂洗钱交易的识别。半监督学习特别适合用于异常关联关系识别，对地下黑产、反洗钱犯罪集团、复杂网络洗钱具有较好的可识别性和可解释性。无监督和半监督学习过程中主要的技术手段是基于拓扑学的图分析和聚类算法，行业经验和对算法的理解深度对机器学习效果影响较大。机器学习在反洗钱可疑交易识别中，对于偶然发生、频次较低的恐怖融资作用不大，这种洗钱交易主要依靠情报分析和客户识别。

利用机器学习进行反洗钱，可以提升可疑交易甄选效率，有效降低反洗钱人工审核压力。机器学习简单讲就是模仿人类，模仿人类在对陌生事物的认知过程，使其具有和人脑一样的认知过程。与传统计算机算法不同的是它会自主地生成一部分内容，通过已有的输入完善知识库。机器学习是从足够大的数据中列出特征量所对应的值，让机器从中建立一种规则，它能归纳出每个特征量所对应的值，然后，可以给定特征量要求值，或是给定值要求找特征量。

机器学习在反洗钱可疑交易识别中，参考过去已有的可疑案宗，自动地学习资深反洗钱专家对可疑案宗进行等级分类和排序上报的思路，利用专家的审核结果，自动学习并全方位提取与洗钱行为关联的信号。参考上千特征维度和百万级别的数据，通过机器学习模型实现对可疑案宗的自动分类和排序。主动式机器学习方法可以实现高效人机协同，融合反洗钱专家经验进入机器学习系统，帮助系统自动调优和进化，经过短时间的训练和调优，机器学习系统接近资深反洗钱专家的水平，可以节省大量人力成本。

经银行可疑交易规则过滤出的海量可疑交易，主要依靠人工进行审核，只要经人进行手工审核，一定会遇到审核水平不同、业务理解不同、可疑交易认定标准不同的问题，导致可疑交易复核质量不稳定、容易出现误判的情况。长时间重复的可疑交易人工审核也会导致人员工作效率降低、注意力不集中、审核水平下降等问题，漏判和误判概率逐步增加。机器学习进行可疑交易识别就没有这样的问题，其工作效率和审核水平大致随着训练次数的增加而提升。运行越久，输入越多，修正越多，其可疑交易的识别能力就越强，误判和漏判的概率就越低。机器学习的可疑交易识别在业务理解和可疑交易的认定标准上保持稳定，误判概率较低。

常用的机器学习模型包括逻辑回归、XGBoost、Random Forest、GBDT、SVM等，国内领先的金融科技公司的机器学习模型的能力可以达到资深反洗钱专家95%的水平，辅助人工审核和能够节省30%以上的人工审核工作，大大增强了总行对整个反洗钱审核流程的把控，降低了人工失误、人才流失、内外勾结等问题带来的危害。

人工智能在区块链领域反洗钱的应用探索

在新一轮的科技和产业革命中，除了人工智能之外，区块链技术也成为当下的热词。2019年10月24日，中共中央政治局就区块链技术发展现状和趋势进行第十八次集体学习。中共中央总书记习近平在主持学习时强调，区块链技术的集成应用在新的技术革新和产业变革中起着重要作用。他指出，区块链技术应用已延伸到数字金融、供应链管理、数字资产交易等多个领域。目前，全球主要国家都在加快布局区块链技术发展。我国在区块链领域拥有良好基础，要加快推动区块链技术和产业创新发展，积极推进区块链和经济社会融合发展。2020年1月20日，中央人民银行发布消息称，我国央行数字货币DCEP（Digital Currency Electronic Payment）研讨会当日在北京召开，央行数字货币研究团队要做好关键技术攻关，争取早日推出央行发行的数字货币。从本质上讲，区块链技术，是一种交易记录的存储技术，它对交易记录进行永久性存储，而且存储之后永远无法删除，只能按照次序加入新的交易，由此对所有的交易历史进行永不结束的记载。然而，随着比特币等一系列基于区块链数字货币的推出，很多犯罪分子利用比特币的假名特性隐藏在人们的视线中，然后进行勒索软件攻击，并经营暗网市场，以交换非法商品和服务，进行洗钱活动。

为了对以比特币等数字货币为核心的洗钱活动进行探测，Weber et al.(2019）创建了一个名为Chronograph的系统，来对比特币的交易活动进行清晰和便捷的研究分析。在Chronograph系统中，交易被可视化为图形上的一个节点，其边缘表示比特币从一笔交易到另一笔交易的流动。使用投影算法(Uniform Manifold Approximation and Projection, UMAP)在所有时间步长同时计算节点坐标，这种全局计算使布局在时间上具有可比性。界面顶部的时间步长滑块控件，允许用户通过仅提交选定时间步长中的节点来浏览时间。图中的非法交易被染成了红色，而合法交易则被染成了蓝色，未分类的交易则为默认的黑灰色。

在该系统中，单击交易节点或在左侧控件中输入交易ID时，系统会可视化突出选定的交易，并以绿色突出显示所有的相邻交易（流入或流出）。在界面的左侧，用户可以看到关于不同交易类之间传输号的图表一般统计信息。在这个简单的原型中，Chronograph使简单的探索场景能够直观地检查集群及其随时间的存在，观察明显的转移模式，或检测其他偏差，如单个异常值。

总之，人工智能技术正在各种金融业务场景中发挥作用，其中，在监管科技领域，机器学习面对海量交易、复杂交易手段、狡猾的犯罪集团具有较大的技术优势。机器学习在反洗钱领域应用需要结合业务专家的经验，建立自身反洗钱知识库，通过对海量历史交易数据和行为数据的分析，识别异常交易行为和异常关系，发现复杂洗钱行为，提高反洗钱可疑交易识别效率，整体提升商业银行的反洗钱技术能力和业务能力。

参考资料

① 陈浩然. 反洗钱法律文献比较与解析[M]，复旦大学出版社，2013年。

② 中国人民银行，中国反洗钱报告2018[R]，金融服务报告2019年第2期。

③ Daniel J. Mitchell. World Bank Study Shows How Anti-Money Laundering Rules Hurt the Poor[J]. Forbes. 2012.

④ Friedrich, C., & Quick, R. An analysis of anti-money laundering in the German non-financial sector[J].Journal of Management and Governance, 2019: 1-39.

⑤ Goldman Sachs. AI, Machine Learning and Data Fuel the Future of Productivity[R]. 2016.  

⑥ Weber M, Domeniconi G, Chen J, et al. Anti-money laundering in bitcoin: Experimenting with graph convolutional networks for financial forensics[J]. arXiv preprint:1908.02591, 2019.