【反洗钱】基于大数据的反洗钱模型_

金融业利用大量多维度数据训练风险模型，提高风险估算准确度。在这场大数据浪潮中，数据、技术、创新成为核心竞争力。基于大数据，商业模式将迎来新一轮的变革。商业银行是产生大数据的重要主体，同时，也承载着反洗钱的重要职责。探索以大数据为基础的商业银行反洗钱解决方案，对进一步提升反洗钱工作有效性具有重要的意义。

●传统的反洗钱模型

简单的说，传统的反洗钱模型是对一段时间内客户的交易行为进行分析的过程。比如，对各系统交易流水表中提取一段时间内客户的帐号，客户号，客户名称，对手帐号，金额数量大于一定的限额，或者有一定数量的外币交易，这里面还要考虑单日交易的交易额是否超过一定额度，或者在一段时间内流动总金额超过一定限额，有时还要考虑每次交易金额是否都是100的整数倍。

图简单的反洗钱模型示意图

●互联网金融洗钱模型

除了传统的反洗钱模型，还应该考虑快速发展的互联网金融提供了便捷的同时，也为洗钱活动提供了土壤。与传统金融活动相比，互联网洗钱更为隐蔽、全球化程度更高、成本更低廉、追踪难度大。

互联网金融数据最大的特征就是数据碎片化导致的信息分割。借助互联网金融平台完成一笔交易，从纵向来看，需要发卡机构、互联网支付机构、电信运营商、收单机构、持卡人、商户甚至外包服务机构共同参与，支付流程的碎片化导致了交易信息和客户身份信息的分割；从横向来看，发卡机构包括全国性商业银行、股份制商业银行、城商行、农商行、农信社、村镇银行等，持卡人和商户数量更是数不胜数，参与主体的碎片化使得同一客户的身份信息和交易信息被分散保存在不同机构中。

在建立以数据为中心的互联网金融反洗钱模型的过程中，必须以大数据技术为基础，建立海量关联交易数据库，包括数据的收集、整理、加工、储存、应用。

●数据收集

通过网络爬虫系统，突破地理距离的限制，捕捉和整合相关信息，并通过校验规则的设立及其关联性分析得到有效数据。二是考虑与互联网金融机构建立合作机制，直接通过数据接口获取相关数据。●数据整合

数据整合是保障分析结果可靠性、准确性必不可少的环节。从金融风险的定义出发，确定反洗钱需求，对数据进行重新整合，提取与之对应的分析数据。具体而言，一是数据类型转换，使不同的数据信息来源可以被量化分析，比如将字符型变量转换成数值型变量等；二是数据变量的非线性转换，使得转换后的变量能更好地适合模型算法；三是挖掘不同主题数据的关联关系，建立关联数据仓库。●数据分析

数据分析是互联网金融风险管理控制的实施手段。全面的数据分析应包括现行的指标体系、统计模型以及人工智能方法等。通过聚类分析，一方面从物理地址上识别关联用户，同一IP、移动终端（手机终端、iPad终端）、电脑终端、网站ID等用户入口识别关联账号；另一方面从交易末端账号对应的银行卡号往前追踪，从而识别关联客户。从正向的用户入口和逆向终端银行账户交叉验证识别同一用户或用户群，发现关联交易。用户身份识别模型设计思路如图所示。

图用户身份识别模型

●数据应用

以数据分析层发现的关联交易群为基础，深化数据应用，具体功能包括风险识别、判断、预警、监控、自动上报。一是对网络资金账户设置交易限额。根据用户或用户群设定网络交易限额，对难以进行真实交易身份识别、难以判断真实交易是否存在的资金支付的要限制在一定规模以内，如果超过某一阈值则预警。二是建立客户风险等级识别制度。根据用户等级设置支付单笔限额、单日限额和跨境支付限额，将资金流与信息流加以匹配和管控，通过规模控制实现对风险的有效防控。用户信息、交易信息和账户数据的关联分析模型如下图所示：

图数据处理模型