反洗錢交易行為監(jiān)控模型分析

摘 要：針對(duì)目前洗錢交易行為的較低檢測(cè)率的問題，通過對(duì)Radial Basis Function（簡(jiǎn)稱RBF）神經(jīng)網(wǎng)絡(luò)技術(shù)的研究，提出基于APC-II和RLS的面向反洗錢的RBF神經(jīng)網(wǎng)絡(luò)模型，并通過分析與研究加以實(shí)現(xiàn)。RBF神經(jīng)網(wǎng)絡(luò)有較低的誤檢率和更高的檢測(cè)率。

關(guān)鍵詞：洗錢交易；神經(jīng)網(wǎng)絡(luò)；APC-III；RLS

中圖分類號(hào)： D9 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：16723198（2014）17015503

1 引言

當(dāng)今社會(huì)面臨著一個(gè)日益嚴(yán)重的犯罪活動(dòng)——洗錢活動(dòng)。洗錢行為顧名思義就是通過一些手段將非法收入合法化，目的是逃避法律的制裁。洗錢行為目前已經(jīng)嚴(yán)重威脅到全社會(huì)的安全，也勢(shì)必會(huì)影響到全球經(jīng)濟(jì)的發(fā)展。增強(qiáng)對(duì)洗錢犯罪活動(dòng)的治理是目前金融工作中非常重要的的一項(xiàng)工作。

金融數(shù)據(jù)隨著信息技術(shù)的飛速發(fā)展呈現(xiàn)出爆炸性的增長(zhǎng)，但是當(dāng)前的反洗錢技術(shù)卻表現(xiàn)的十分落后，尤其是我國(guó)對(duì)金融犯罪的治理仍然主要是人為干預(yù)。根據(jù)當(dāng)前計(jì)算機(jī)信息技術(shù)的發(fā)展，可以了解到利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行持續(xù)性計(jì)算，提高反洗錢的智能化水平，幫助提高反洗錢手機(jī)情況和過程分析的技術(shù)水平。基于RBF神經(jīng)網(wǎng)絡(luò)提出的反洗錢行為監(jiān)測(cè)的計(jì)算機(jī)模型，進(jìn)而提供了新的辦法來處理可疑交易和大額數(shù)據(jù)。

2 國(guó)內(nèi)外洗錢交易監(jiān)控研究發(fā)展趨勢(shì)

在20世紀(jì)30年代隨著洗錢行為的出現(xiàn)，歐洲國(guó)家開始對(duì)反洗錢進(jìn)行描述性探討，但20世紀(jì)70年代才開始真正意義上的反洗錢研究。尤其是9.11事件之后，國(guó)外金融領(lǐng)域有關(guān)反洗錢的理論研究更加深入。具有代表性的是美國(guó)的FAIS系統(tǒng)和澳大利亞的TRAQ系統(tǒng)。西方國(guó)家的反洗錢系統(tǒng)已經(jīng)經(jīng)歷了三代，有基于客戶行為模式識(shí)別可疑交易監(jiān)控系統(tǒng)、欺詐掃描儀、基于智能代理技術(shù)整合神經(jīng)網(wǎng)絡(luò)等各項(xiàng)技術(shù)的分布式反洗錢系統(tǒng)。

我國(guó)的現(xiàn)行反洗錢交易數(shù)據(jù)報(bào)告也基本采用可疑和大額交易報(bào)告制度和了解客戶制度這兩種模式。在中國(guó)反洗錢這個(gè)課題起步很晚，但是反洗錢這個(gè)問題非常復(fù)雜，涉及的范圍廣泛，所以我國(guó)一直在探索反洗錢問題。國(guó)內(nèi)對(duì)于洗錢犯罪的防范主要是建立法律法規(guī)和交易數(shù)據(jù)監(jiān)控。反洗錢監(jiān)測(cè)工作的落后嚴(yán)重制制約了我國(guó)反洗錢工作的質(zhì)量和效率。

3 洗錢的起源和定義

洗錢一詞最初來源于是美國(guó)。一個(gè)犯罪團(tuán)伙，開了一個(gè)洗衣店，通過把洗衣的合法所得和犯罪的非法所得一同向稅務(wù)機(jī)關(guān)申報(bào)，從而將非法所得合法化。法律上洗錢是指犯罪非法所得，包括通過恐怖組織、破壞金融秩序、詐騙以及貪污等的所得，通過一系列方式，使這些其合法化。金融上犯罪分子通過媒介，將犯罪活動(dòng)資金通一系列金融操作等進(jìn)行漂洗，來掩蓋違法性質(zhì)的行為。洗錢犯罪活動(dòng)的與日俱增，現(xiàn)在洗錢行為中有非法資金合法化，同樣也有合法資金非法化。洗錢行為的分類如圖1所示。

圖1 洗錢行為的分類 4 基于RBF神經(jīng)網(wǎng)絡(luò)的反洗錢交易行為識(shí)別研究

4.1 基于RBF反洗錢交易行為識(shí)別

洗錢行為從本質(zhì)上講是模式識(shí)別和分類的問題，具有良好非線性學(xué)習(xí)能力的人工神經(jīng)網(wǎng)絡(luò)能夠處理復(fù)雜的模式，并且還能進(jìn)行記憶、推測(cè)等功能，人工網(wǎng)絡(luò)的實(shí)時(shí)性非常強(qiáng)，無(wú)需建立數(shù)學(xué)模型，可以這么說神經(jīng)網(wǎng)絡(luò)是特別適合可疑交易行為識(shí)別的。

根據(jù)對(duì)洗錢行為的分析能夠發(fā)現(xiàn)，其具有多變性，需要采取的技術(shù)具有很好的適應(yīng)性，來適應(yīng)其不斷發(fā)生的變化，只有這樣才能降低分析中的誤報(bào)率，RBF神經(jīng)網(wǎng)絡(luò)恰好具有這些特性，其不僅解決了非線性問題，還能使得訓(xùn)練樣本保存到神經(jīng)元當(dāng)中，通過簡(jiǎn)單計(jì)算來解決網(wǎng)絡(luò)輸出加權(quán)值。

RBF洗錢行為識(shí)別是通過對(duì)洗錢案例數(shù)據(jù)的訓(xùn)練學(xué)校和訓(xùn)練學(xué)習(xí)以往經(jīng)驗(yàn)，利用神經(jīng)網(wǎng)絡(luò)內(nèi)部的連接權(quán)值表示理應(yīng)學(xué)習(xí)的洗錢辨別知識(shí)，目的是做到對(duì)未知樣本進(jìn)行分類。RBF洗錢行為識(shí)別聯(lián)想記憶、相似歸納和模式匹配三種強(qiáng)大的能力。利用本身的神經(jīng)元不斷的對(duì)訓(xùn)練數(shù)據(jù)學(xué)習(xí)，從而實(shí)現(xiàn)復(fù)雜的非線性映射，建立出不同的模型對(duì)資金流動(dòng)進(jìn)行揭示，分析并制定出最有利的反洗錢方案，幫助相關(guān)部門提高反洗錢的情報(bào)收集智能化水平。

4.2 研究RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

RBF神經(jīng)網(wǎng)絡(luò)克服了RB神經(jīng)網(wǎng)絡(luò)的兩個(gè)主要缺點(diǎn)，隱節(jié)點(diǎn)無(wú)法確定和訓(xùn)練時(shí)間普遍較長(zhǎng)的問題。RBF神經(jīng)網(wǎng)絡(luò)描述如下：

x∈Rpφ（·）h∈Rmwjy∈Rn（1）

yj-f（x）=w0+∑mi=1wj（‖x-ci‖），i=1，2，…，n（2）

式（1）和式（2）中，x→i（x）是輸入層，其主要是實(shí)現(xiàn)了非線性的映射，i（x）→yj是輸出層，其主要是實(shí)現(xiàn)了線性的映射，wj表示的權(quán)值，主要為隱含層權(quán)值與輸出層權(quán)值， ‖·‖表示歐氏范式。

（‖x-ci‖）=exp（-‖x-ci‖2σ2i），i=1，2，…，m

1，i=0

（3）

式（3）中，ci表示隱節(jié)點(diǎn)中心中的第i個(gè)，σi表示參數(shù)，這個(gè)參數(shù)是控制Gaussian函數(shù)衰減快慢的，m表示隱含層中節(jié)點(diǎn)的個(gè)數(shù)。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 RBF結(jié)構(gòu)圖 5 建立基于RBF的反洗錢行為監(jiān)控模型

通過交易數(shù)據(jù)信息與客戶信息的調(diào)查和分析，從兩個(gè)維度來判斷金融交易行為正常與否。已知i，j∈銀行賬號(hào)集合，i≠j。將在t時(shí)刻賬號(hào)i與j之間的資金流動(dòng)數(shù)量假定為Qij（t）>0，將在t時(shí)刻賬號(hào)i存款數(shù)量假定為Di（t）。

Di（t）=Di（t0）+∑j0j=j0∫tt0Qij（t）dt

其中i∈i0，i1，…，in=I，I表示在t-t0內(nèi)發(fā)生交易的賬號(hào)集合，j∈j0，j1，…，jn=J，J表示在t-t0時(shí)間內(nèi)所有交易的賬號(hào)集合。

訓(xùn)練集由一組數(shù)據(jù)庫(kù)記錄構(gòu)成，一個(gè)訓(xùn)練樣本數(shù)據(jù)即可表示為

E=（v1，v2，…，vp；s）

（4）

式（4）中v1，v2，…，vp表示要輸入的反洗錢屬性參數(shù)。S表示分類標(biāo)簽屬性值。

可知基于BRF反洗錢交易監(jiān)測(cè)模型示意圖如圖3所示。

圖3 基于RBF的可疑交易監(jiān)測(cè)模型圖 6 實(shí)現(xiàn)基于RBF的反洗錢行為監(jiān)控模型

反洗錢行為鑒別中需要對(duì)可疑交易數(shù)據(jù)和大額交易數(shù)據(jù)進(jìn)行識(shí)別。把提供的可疑的銀行交易數(shù)據(jù)和洗錢案例數(shù)據(jù)歸納到訓(xùn)練樣本中，之后系統(tǒng)在進(jìn)行參數(shù)學(xué)習(xí)時(shí)利用訓(xùn)練樣本，通過調(diào)用訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)來判斷經(jīng)過預(yù)處理的金融交易數(shù)據(jù)是否合理，通過一系列判斷來確定這個(gè)交易確實(shí)為洗錢交易，便可以將該案例增加到可疑交易案例數(shù)據(jù)庫(kù)當(dāng)中，系統(tǒng)之后能夠?qū)ζ溥M(jìn)行參數(shù)學(xué)習(xí)。該模型的流程示意圖如圖4所示。

圖4 模型實(shí)現(xiàn)流程圖 6.1 屬性參數(shù)預(yù)處理

反洗錢部門在對(duì)洗錢交易行為進(jìn)行鑒別的時(shí)候，需要利用一些其他知識(shí)，例如反洗錢知識(shí)，對(duì)某些跟洗錢無(wú)關(guān)的屬性進(jìn)行過濾，從而保證洗錢行為監(jiān)測(cè)的高效。這些金融交易數(shù)據(jù)有時(shí)候系統(tǒng)不能直接鑒別，還需經(jīng)過反洗錢部門的處理，將其轉(zhuǎn)換成能夠反應(yīng)出洗錢特征的有關(guān)屬性的集合。通常只有值型數(shù)據(jù)才是RBF神經(jīng)網(wǎng)絡(luò)能夠處理的數(shù)據(jù)，因此第一步要做的是將反洗錢屬性參數(shù)處理為定性的屬性參數(shù)，按程度統(tǒng)一分類的輸入，然后將定性屬性參數(shù)予以量化。

6.2 學(xué)習(xí)過程

6.2.1 APC-III聚類算法

通常采用K-means來確定RBF的隱含層，但這種方法具有很多缺點(diǎn)，但APC-III聚類算法能夠避免這些問題，其只需對(duì)樣本集只學(xué)習(xí)一次，可以說其有很高的學(xué)習(xí)速率，其聚類半徑為：

R0=α1p∑pi=1mini≠j（ ‖Xi-Xj‖）

（5）

式（5）中，p是樣本個(gè)數(shù)，α為常數(shù)，最后的聚類數(shù)由R0的大小決定。APC-III聚類算法的詳細(xì)描述如下：

輸入：訓(xùn)練樣本X=xixi∈Rp，i=1，2，…，p

輸出：聚類中心ci（i=1，2）

變量：L表示聚類數(shù)；ni表示第i個(gè)聚類中心擁有的樣本數(shù)目；ci表示第i個(gè)聚類中心；dij表示xj到第i個(gè)聚類中心的距離。

（1）初始化：L=1，c1=x1，n1=1；/*對(duì)訓(xùn)練集中的每個(gè)樣本*/

（2）For（j=2；j≤p；i++）/*對(duì)每個(gè)聚類*/

（3）For（i=1；i≤L；i++）

計(jì)算dji；

（4）if（dji≤R0）/*把數(shù)據(jù)xj加到第i個(gè)聚類中心范圍*/

ci=（cini+xj）/（nj+1）；nj=nj+1；

（5）if（xjic0）/*建立新聚類*/

L=L+1；cL=xj；nL=1；

6.2.2 確定寬度參數(shù)

當(dāng)RBF的中心向量ci確定，Gaussian函數(shù)的寬度為：

σi=di2m

（6）

式（6）中，di是第i個(gè)中心向量與其他中心向量見的最大距離，m為選取的中心向量個(gè)數(shù)。

6.2.3 遞推最小二乘算法

由于之前梯度下降算法在收斂速度方面表現(xiàn)出減慢，在尋求解決隱含層與輸出層之間連接值的問題的時(shí)候，其實(shí)是一個(gè)線性優(yōu)化問題，所以在本文中采用RLS算法。

設(shè)在第k步時(shí)，輸出向量為：

（k）=1（k），σ，2（k），σ，…，nl（k）T

=1（l1（k）），σ，2（l2k），σ，…，nl（lnlk）T

（7）

第k步中第j個(gè)節(jié)點(diǎn)的估計(jì)輸出為：

y∧j（k）=∑wijlli（k），σ

（8）

若實(shí)際輸出為yj（k），則有誤差

εj（k）=yj（k）-y∧j（k）

（9）

權(quán)值更新為

wj（k+1）=wj+μ（k）（k）εj（k）1λ（k）·

μ（k）μ（k-1）（k）T（k）μ（k-1）λ（k）+T（k）μ（k-1）（k）

（10）

式（11）中，μ（k）為誤差方差陣，λ（k）（0<λ（k）<1）表示遺忘因子，其作用是慢慢的漸減弱當(dāng)前計(jì)算值所受到歷史樣本對(duì)的影響。本文章采用的方法是動(dòng)態(tài)地去調(diào)整遺忘因子λ（k）

λ（k）=1-exp-kτ0

（11）

式（11）中，τ0是根據(jù)經(jīng)驗(yàn)進(jìn)行設(shè)定的初始平滑因子。

7 總結(jié)

本文中提出基于RBF的反洗錢交易行為的監(jiān)測(cè)模型，這個(gè)模型不僅做到了提升了確定洗錢行為的準(zhǔn)確率，而且提高了洗錢交易行為的識(shí)別率，在不斷變化的交易中真正做到能夠適應(yīng)其變化。本文提出的基于APC-II和RLS的RBF神經(jīng)網(wǎng)絡(luò)的反洗錢行為交易監(jiān)測(cè)模型，有較低的誤檢率和更高的檢測(cè)率，為洗錢交易分析和監(jiān)測(cè)提供了新的思路。

參考文獻(xiàn)

[1]晏銀香.從反洗錢監(jiān)管實(shí)踐透析可疑交易行為核實(shí)查證的難點(diǎn)[J].武漢金融，2012，（03）.

[2]安晨洪翀.淺談網(wǎng)絡(luò)銀行的反洗錢監(jiān)管[J].中國(guó)證券期貨，2013，（1）.