基于贸易结算数据的反洗钱模型

洗钱是指将犯罪所得及其收益通过交易、转移、转换等各种方式加以合法化,以逃避法律制裁的行为.虽然各国对洗钱犯罪的界定不同,而且洗钱的方式也多种多样,但是洗钱行为有其一定的共同特点,并且严重危害社会正常政治和经济秩序,已经成为世界各国及国际社会面临的一大公害.国际社会一直在积极的研究和建立金融系统的反洗钱机制,世界各国也纷纷出台了相应的法律法规打击洗钱活动.本文通过研究贸易洗钱的特点,构建了一套洗钱行为可疑特征指标体系,在此基础上采用聚类分析算法、决策树算法,利用商业银行业务处理系统数据,建立国际贸易洗钱行为的分析模型.

一、数据选择

目前国际贸易结算工具主要是电子汇兑、信用证、托收承付,这三种结算工具完成的贸易结算量占贸易结算总量的绝大部分,所以本文选取的贸易结算数据基于此三种结算工具.将以上三类信用证、托收承付、电子汇兑业务涉及到的所有进账和出账账户数据提取出来作为建立数据分析模型的数据集.

二、指标构建

要建立科学合理的反洗钱模型,首先要进行分层划分与特征指标的识别.

由于洗钱行为是理性决策的结果,但洗钱本身不是传统意义上的理性的经济活动,这就注定了洗钱者及其洗钱行为必然要表现出不同于正常人和正常经济活动的特征.首先以账户为基础,通过从结算层、层、关联层、链路层入手,将其研究对象分别是单笔交易、、开户机构、关联方等方面的可疑特征.通过提取可疑账户洗钱行为模式的特征属性,选择适当的数据挖掘算法,从纵向和横向两个维度,构建并检验可疑账户洗钱行为模式的识别方法.

结算层:结算层是由一笔一笔的单独交易构成的,主要涉及存取、电汇、支票等.在交易层的数据分析中,系统主要分析单条记录的可疑性.

层:包括涉及到的所有交易.层面的分析不能只看单条记录,而要看账户涉及到的全部交易.因此,《金融机构大额交易和可疑交易报告管理办法》第九条对“大额”的定义包括“累计交易”,这样,当日内多笔低于但接近大额标准的款项划转也被纳入了报告范围.

关联层:关联层是就开户单位而言.一个组织可能会开立多个账户,比如许多企业除了一个基本账户外还有若干个结算账户.因此,单凭分析某一个账户的表现不能判断该企业是否存在洗钱嫌疑,还要判断多个之间的关联关系.

链路层:是指跨地域、跨机构的链接分析,主要应用于关联案件调查.一个组织可能在多个地方的多家银行开立账户.不论该组织在何时何地被发现有洗钱嫌疑,都要以之为核心,对所有与其有账户往来的组织和个人进行关联分析,以侦破群体作案事件.

无论洗钱行为借助何种结算渠道、何种结算工具,最终的资金流动一定会体现在账户资金的转入、转出以及的提取上,所以分析的思路就是要以账户为中心,选取与交易有关的账户资金划转、提现数据,用量化的指标抽象出资金流动的特征,从中筛选出具有洗钱行为嫌疑的机构及账户.基于贸易结算数据的反洗钱模型的特征指标依据是:

①具有洗钱行为的银行账户一般呈现短期内资金大额分散转入、集中小额转出,或集中大额转入、分散转出到其他个人账户或信用卡上.

②个人账户或对公账户资金收付频率及金额与单位或个人身份明显不符.

③个人多头开立银行账户,并且资金流向异常通过银行与贩毒、、恐怖活动频繁的地区的个人账户之间的交易活动明显增多,短期内频繁发生资金的收付.

④长期闲置的个人账户突然启用,且资金收付频繁,流向呈现规律性.

⑤相同个人开立的账户之间通过银行账户进行的频繁资金收付,并进行大额异常提现.

根据以上特征依据,确定了两类指标,一类是总体分析类指标,用于对商业银行总体情况分析,确定反洗钱重点审计的分支机构.一类是客户个体分析指标用于确定个体洗钱行为的特征.

三、贸易洗钱研究模型算法介绍

1.聚类分析算法

聚类分析算法指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程,是将数据分类到不同的类或者簇,同一个簇中的对象有很大的相似性,而不同簇间的对象有很大的相异性.聚类分析无法像决策树那样预测未知数据值,但是它能够将具有相似特性的记录归并到一个组内(称之为一个聚类),不同聚类的数据具有不同的特性.这种数据挖掘的目的是获得具有不同特性的聚类,进而研究各个聚类的特性差异并最终确定能否得到一些概括性的结论.虽不能用来预测,但可以高效率地找到有共同属性的数据.

当拥有大量交易数据或客户机构记录等具有很强的逻辑结构和许多属性的数据时,聚类分析是所有算法中最佳的选择.

2.决策树ID3算法

决策树是一种用来创建数据挖掘模型的算法.这种被广泛使用的算法用于特定类型的预测以及把实例划分成特定的组.这种算法使模型看起来像一棵树,树由节点构成,每个节点表示数据的某一属性及其取值.通过查看决策树,很容易对所有的数据做出一个大体的结论,帮助分析人员快速而准确地确定分析重点.

四、贸易洗钱数据分析流程

对上述贸易洗钱分析的流程可以概括为以下几步骤.

第一步:建立被审计金融机构基础数据库,重点应包括账务核心系统(会计系统)数据、国际结算系统数据、结售汇系统数据以及相关参数表.

第二步:根据核心系统数据计算出总体指标数据、具体指标数据.

第三步:利用聚类分析、决策树分析工具进行数据挖掘.

第四步:对输出结果进行分析.

五、结论

本文尝试以数据挖掘技术对洗钱行为特征进行挖掘分析,从实验的效果和结论看,利用数据挖掘技术中的聚类分析与决策树算法构建反洗钱分析模型是可行的,尤其针对金融业海量业务数据的情况,利用数据挖掘技术,对于确定分析重点具有很大的推广价值.

本文研究的创新之处在于:

一是以国际贸易洗钱这种具有大额交易特征的洗钱行为作为研究的切入点,更具有针对性和现实意义.

二是结合了我国多家商业银行业务处理系统的数据结构,提出了提取具有国际贸易结算交易行为资金账户的方法.

三是建立了一套分析贸易洗钱账户资金流动特征的指标体系,为数据挖掘分析奠定了基础.

四是建立了反洗钱审计总体分析的思路,即通过对商业银行分支机构资金流指标分析筛选出洗钱风险水平较高的分支机构,在此基础上对该机构客户的账户资金流进行挖掘分析,确定线索.

(责任编辑:韩梅)