陳蘭蘭，左黎明，2

（1.華東交通大學(xué) 江西南昌 330013；2.江西省經(jīng)濟(jì)犯罪偵查與防控技術(shù)協(xié)同創(chuàng)新中心 江西南昌 330103）

ICO[1]（Initial Coin Offering，虛擬貨幣首次公開(kāi)發(fā)售）是指融資主體通過(guò)代幣的違規(guī)發(fā)售、流通，向投資者籌集比特幣、以太幣等所謂“虛擬貨幣”。2017年9月，央行下發(fā)公告，將ICO定性為一種未經(jīng)批準(zhǔn)非法公開(kāi)融資的行為，涉嫌非法發(fā)行證券、非法發(fā)售代幣票券以及金融詐騙、非法集資、傳銷(xiāo)等違法犯罪活動(dòng)，并責(zé)令停止各類(lèi)代幣發(fā)行融資活動(dòng)。ICO存在諸多潛在風(fēng)險(xiǎn)，包括項(xiàng)目失敗或跑路導(dǎo)致的資金損失風(fēng)險(xiǎn)、價(jià)格劇烈波動(dòng)引起的金融風(fēng)險(xiǎn)、借ICO進(jìn)行的詐騙、非法集資等違法犯罪風(fēng)險(xiǎn)等。萬(wàn)福帀是一種在美國(guó)加州洛杉磯興起的虛擬貨幣，2016年3月5日，創(chuàng)辦人劉某啟動(dòng)虛擬數(shù)字貨幣“萬(wàn)福幣”傳銷(xiāo)項(xiàng)目，兩個(gè)月內(nèi)吸納會(huì)員13萬(wàn)余人，瘋狂收取傳銷(xiāo)資金近20億元人民幣[2]。2017年2月廣東省中山市警方通過(guò)兩個(gè)月摸底調(diào)查，抓獲維卡幣3名涉案人員，凍結(jié)3.1億傳銷(xiāo)資金[3]。2017年，韓國(guó)最大比特幣交易所Bithum遭入侵，用戶(hù)損失數(shù)十億韓元，預(yù)計(jì)約有100名受害者將對(duì)Bithumb提起集體訴訟[4]。ICO熱度持續(xù)高漲，投資者范圍不斷擴(kuò)大，因此基于神經(jīng)網(wǎng)絡(luò)模型研究ICO經(jīng)濟(jì)類(lèi)罪特征，對(duì)ICO數(shù)據(jù)進(jìn)行挖掘與分析，提取相關(guān)信息并進(jìn)行評(píng)估，對(duì)ICO經(jīng)濟(jì)犯罪的防控具有重要意義。

近年來(lái)，國(guó)內(nèi)外許多專(zhuān)家、學(xué)者對(duì)神經(jīng)網(wǎng)絡(luò)模型的建立與應(yīng)用進(jìn)行了研究，其中BP神經(jīng)網(wǎng)絡(luò)具有良好的通用性，并在各個(gè)領(lǐng)域得到廣泛應(yīng)用。因此，本文設(shè)計(jì)了ICO經(jīng)濟(jì)類(lèi)罪評(píng)價(jià)指標(biāo)，并創(chuàng)建ICO經(jīng)濟(jì)類(lèi)罪數(shù)據(jù)集，基于BP神經(jīng)網(wǎng)絡(luò)算法建立了ICO經(jīng)濟(jì)類(lèi)罪模型。通過(guò)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，對(duì)ICO的合法性進(jìn)行預(yù)測(cè)與評(píng)估。

一、ICO經(jīng)濟(jì)類(lèi)罪模型評(píng)價(jià)指標(biāo)設(shè)計(jì)

基于BP神經(jīng)網(wǎng)絡(luò)的ICO經(jīng)濟(jì)類(lèi)罪評(píng)價(jià)指標(biāo)的選取十分重要，需要從ICO的本質(zhì)以及公安部已證實(shí)為涉及傳銷(xiāo)、詐騙等金融騙局的案例出發(fā)，分析與提取ICO經(jīng)濟(jì)類(lèi)罪相關(guān)評(píng)價(jià)指標(biāo)。通過(guò)查閱資料與分析，發(fā)現(xiàn)許多ICO項(xiàng)目運(yùn)作方式與傳統(tǒng)網(wǎng)絡(luò)傳銷(xiāo)行為十分接近，利用ICO進(jìn)行傳銷(xiāo)已成為網(wǎng)絡(luò)傳銷(xiāo)新特點(diǎn)。由此提取出13個(gè)特征作為ICO合法性的評(píng)價(jià)指標(biāo)，分別為：去中心化、開(kāi)源、白皮書(shū)、發(fā)展下線(xiàn)、繳納入會(huì)費(fèi)、復(fù)式計(jì)酬、高收益高分成的許諾、過(guò)度炒作、成立公司、自建平臺(tái)交易、官網(wǎng)基于HTTPS協(xié)議、有實(shí)體幣、存在運(yùn)行的產(chǎn)品。

評(píng)價(jià)指標(biāo)中前3個(gè)指標(biāo)去中心化、開(kāi)源和白皮書(shū)為判斷可靠ICO項(xiàng)目的重要特征。首先，一個(gè)成功的ICO是區(qū)塊鏈社區(qū)的產(chǎn)物，需要區(qū)塊鏈的底層哲學(xué)去中心化來(lái)支撐[5]。其次，一般的ICO項(xiàng)目都是代碼開(kāi)源項(xiàng)目，且大多都會(huì)上傳到開(kāi)源社區(qū)，如github社區(qū)[6]。同時(shí)，一個(gè)可靠的ICO項(xiàng)目一般具有一份正式的白皮書(shū)，白皮書(shū)是一個(gè)項(xiàng)目用非技術(shù)語(yǔ)言進(jìn)行的概括，一般包括簡(jiǎn)介、目的、原理、特殊性、價(jià)值、如何分配融資的代幣、如何使用代幣、項(xiàng)目規(guī)則、團(tuán)隊(duì)背景、項(xiàng)目是否成熟等內(nèi)容。不具備這3個(gè)特征的ICO項(xiàng)目的真實(shí)性有待考量，可能有傳銷(xiāo)、詐騙等犯罪嫌疑。

設(shè)計(jì)的指標(biāo)中發(fā)展下線(xiàn)、繳納入會(huì)費(fèi)、復(fù)式計(jì)酬[7]和高收益高分成的許諾為傳統(tǒng)涉嫌傳銷(xiāo)行為[8]的基本特征。復(fù)式計(jì)酬是指對(duì)參加者以其直接或者間接發(fā)展的下線(xiàn)數(shù)量，或者其直接或者間接發(fā)展的下線(xiàn)的銷(xiāo)售業(yè)績(jī)，兩種方式計(jì)提報(bào)酬，形成傳銷(xiāo)的“資金鏈”。

余下的6個(gè)為經(jīng)過(guò)ICO金融騙局案例分析后選取的評(píng)價(jià)指標(biāo)。首先以典型騙局維卡幣[9]為例，其具有過(guò)度炒作、成立公司、自建平臺(tái)交易、官網(wǎng)不基于HTTPS協(xié)議等特征。在過(guò)度炒作方面，維卡幣曾發(fā)布大量的不實(shí)消息，非法使用第一財(cái)經(jīng)及主持人江予菲的名義及其肖像進(jìn)行對(duì)外宣傳，存在過(guò)度炒作嫌疑。在成立公司、自建平臺(tái)交易方面，ICO項(xiàng)目最終是公鏈項(xiàng)目，法律主體不是公司，并且運(yùn)作健康的ICO項(xiàng)目一般在國(guó)內(nèi)外主流交易平臺(tái)進(jìn)行交易，而不是由ICO項(xiàng)目公司自建平臺(tái)獨(dú)自操控，故成立公司和自建平臺(tái)交易可以作為兩個(gè)評(píng)價(jià)指標(biāo)。在官網(wǎng)不基于HTTPS協(xié)議方面，HTTPS協(xié)議是可進(jìn)行加密傳輸、身份認(rèn)證的網(wǎng)絡(luò)協(xié)議，廣泛用于萬(wàn)維網(wǎng)上安全敏感的通訊，而HTTP協(xié)議不提供任何方式的數(shù)據(jù)加密，不適合傳輸敏感信息。因此，一個(gè)可靠的ICO項(xiàng)目官網(wǎng)應(yīng)該基于HTTPS協(xié)議。其次，一類(lèi)典型騙局五行幣是一種體積比普通硬幣略大的聲稱(chēng)由純金打造而成的硬幣，具有發(fā)行實(shí)體幣的特征。另一類(lèi)典型騙局萬(wàn)福幣規(guī)定交入會(huì)費(fèi)3000人民幣，即送一套價(jià)值3000元人民幣的美國(guó)未來(lái)城優(yōu)質(zhì)保健產(chǎn)品，具有存在運(yùn)行的產(chǎn)品的特征。通過(guò)分析，具備這6個(gè)特征的ICO項(xiàng)目為金融騙局的可能性極大。

通過(guò)對(duì)上百例公安部打擊的案件的研究與分析，設(shè)計(jì)了上述13個(gè)特征作為評(píng)價(jià)ICO項(xiàng)目合法性的指標(biāo)，并以此作為BP神經(jīng)網(wǎng)絡(luò)算法選取輸入變量的參考。

二、ICO經(jīng)濟(jì)類(lèi)罪模型

（一）BP神經(jīng)網(wǎng)絡(luò)

BP(back propagation)神經(jīng)網(wǎng)絡(luò)[10]是一種多層的前饋神經(jīng)網(wǎng)絡(luò)，可分為輸入層、隱含層和輸出層，網(wǎng)絡(luò)中各個(gè)神經(jīng)元接受前一層的輸入，并輸出給下一層，即第i層的輸入只與第i-1層輸出相連，輸入與輸出節(jié)點(diǎn)與外界相連，而其他中間層為隱含層。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程分為信號(hào)的向前傳播和誤差的反向傳播兩個(gè)階段，第一階段是從輸入層經(jīng)過(guò)隱含層，最后到達(dá)輸出層；第二階段是從輸出層到隱含層，最后到輸入層。

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)，具有較強(qiáng)的非線(xiàn)性映射能力、一定的容錯(cuò)能力以及高度自學(xué)習(xí)和自適應(yīng)的能力，其算法具有計(jì)算量小、簡(jiǎn)單易行等優(yōu)點(diǎn)。由于ICO經(jīng)濟(jì)類(lèi)罪問(wèn)題本質(zhì)上是非線(xiàn)性的，難以直接發(fā)現(xiàn)其中的關(guān)聯(lián)，因此本文采用BP神經(jīng)網(wǎng)絡(luò)來(lái)建立ICO經(jīng)濟(jì)類(lèi)罪模型。

（二）模型建立

如圖1所示，為BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖，它由輸入層、隱含層和輸出層組成。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

1.輸入層參數(shù)的選擇。根據(jù)設(shè)置的ICO經(jīng)濟(jì)類(lèi)罪模型評(píng)價(jià)指標(biāo)，確定13個(gè)輸入層節(jié)點(diǎn)，分別與14個(gè)評(píng)價(jià)指標(biāo)對(duì)應(yīng)，確定的輸入變量為Ii（i=1,2,……，13），具體如表1所示。

表1 ICO經(jīng)濟(jì)類(lèi)罪模型輸入變量

2.輸出層參數(shù)的選擇。ICO經(jīng)濟(jì)類(lèi)罪診斷結(jié)果有兩種，分別是合法和非法，故輸出層只需要一個(gè)節(jié)點(diǎn)O1作為輸出值，具體輸出值如表2所示。

表2 ICO經(jīng)濟(jì)類(lèi)罪模型輸出變量

3.隱含層的確定。隱含層的節(jié)點(diǎn)數(shù)的選擇是個(gè)十分困難和重要的問(wèn)題，它不僅會(huì)影響建立的模型性能，還會(huì)導(dǎo)致訓(xùn)練時(shí)出現(xiàn)“過(guò)度吻合”（Overfitting）問(wèn)題。目前理論上還沒(méi)有一種科學(xué)和標(biāo)準(zhǔn)的確定方法，但部分研究表明，隱含層節(jié)點(diǎn)數(shù)不僅與輸入/輸出層的節(jié)點(diǎn)數(shù)有關(guān)，更與待解決問(wèn)題的復(fù)雜程度、轉(zhuǎn)換函數(shù)以及樣本數(shù)據(jù)特性等因素有關(guān)。如果數(shù)目太少，可能造成網(wǎng)絡(luò)不收斂根本無(wú)法訓(xùn)練，如果數(shù)目太多，雖然可以減小系統(tǒng)誤差，但同時(shí)也會(huì)延長(zhǎng)訓(xùn)練時(shí)間，并且容易陷入局部極值而達(dá)不到最優(yōu)值。隱含層節(jié)點(diǎn)數(shù)的確定還有待研究，具有很大的經(jīng)驗(yàn)性，以下給出2種方式選擇隱含層節(jié)點(diǎn)數(shù)目，參考公式[11]如下：

（1）n1=log2n，其中為輸入節(jié)點(diǎn)數(shù)，為隱含層節(jié)點(diǎn)數(shù)。

本文所建立的模型有13個(gè)輸入節(jié)點(diǎn)和1個(gè)輸出節(jié)點(diǎn)，由以上參考公式可知，隱含層節(jié)點(diǎn)數(shù)范圍為[4，13]。通過(guò)多次測(cè)試，當(dāng)隱含層節(jié)點(diǎn)數(shù)為10時(shí)，效果最佳。因此，將隱含層節(jié)點(diǎn)數(shù)設(shè)置為10個(gè)。

（三）BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，實(shí)際上是調(diào)整網(wǎng)絡(luò)的權(quán)重和閾值這兩個(gè)參數(shù)，因此需要先設(shè)定目標(biāo)誤差或最大學(xué)習(xí)次數(shù)，采用最速下降法逼近誤差函數(shù)，直至達(dá)到設(shè)置的目標(biāo)誤差，學(xué)習(xí)步驟[12]如圖2所示，具體步驟如下：

圖2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)流程圖

1.網(wǎng)絡(luò)初始化。已知輸入節(jié)點(diǎn)數(shù)為14，隱含層節(jié)點(diǎn)數(shù)為10，輸出節(jié)點(diǎn)數(shù)為1，設(shè)定目標(biāo)誤差為ε和最大學(xué)習(xí)次數(shù)為M，定義輸入變量Ii，隱含層輸入hj，隱含層狀態(tài)Hj，輸出層輸入ok，輸出層狀態(tài)ok，期望輸出向量Ti，輸入層與隱含層的連接權(quán)值，隱含層與輸出層的連接權(quán)值wjk，隱含層節(jié)點(diǎn)閾值θj，輸出層節(jié)點(diǎn)閾值θκ等，其中所有權(quán)值與閾值均∈（-1,1），具體變量如表3所示。

表3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)變量列表

2.隨機(jī)選取。隨機(jī)選取第個(gè)樣品數(shù)據(jù)輸入網(wǎng)絡(luò)，以及對(duì)應(yīng)的期望輸出。

3.隱含層計(jì)算。計(jì)算隱含層節(jié)點(diǎn)的輸入，即為其前一層各節(jié)點(diǎn)的輸出值的加權(quán)和：

相應(yīng)的隱含層輸出狀態(tài)為：

式（2）中φ(·)稱(chēng)為激勵(lì)函數(shù)或作用函數(shù)，一般采用sigmoid函數(shù)：

式（3）中θi稱(chēng)為閾值，λ稱(chēng)為溫度系數(shù)。

4.輸出層計(jì)算。計(jì)算輸出層輸入為：

輸出層最終輸出為：

期望輸出記為{Tk}。

5.誤差計(jì)算。計(jì)算期望輸出與最終輸出的均方誤差函數(shù)E(W)為：

若E(W)＜ε則學(xué)習(xí)終止，否則繼續(xù)。

6.權(quán)值修正：使用最速梯度下降法來(lái)調(diào)整權(quán)值，每次的修正量為：

式（7）中η稱(chēng)為學(xué)習(xí)效率，為達(dá)到最佳性能，設(shè)置η為遞減函數(shù)，滿(mǎn)足：

可推導(dǎo)出權(quán)值修正量公式為：

故隱節(jié)點(diǎn)到輸出節(jié)點(diǎn)的權(quán)值修正量為：

輸入節(jié)點(diǎn)到隱節(jié)點(diǎn)的權(quán)值修正量為：

7.判斷模型合理性。判斷誤差是否滿(mǎn)足目標(biāo)，若誤差達(dá)到目標(biāo)誤差或?qū)W習(xí)次數(shù)大于預(yù)設(shè)的最大學(xué)習(xí)次數(shù)，則結(jié)束算法；否則返回第3步，進(jìn)入下一輪學(xué)習(xí)。

三、實(shí)證研究

（一）實(shí)驗(yàn)數(shù)據(jù)

根據(jù)設(shè)計(jì)的ICO經(jīng)濟(jì)類(lèi)罪評(píng)價(jià)指標(biāo)，收集150組樣本數(shù)據(jù)，具體樣本數(shù)據(jù)集見(jiàn)文獻(xiàn)[13]。樣本數(shù)據(jù)主要由央視曝光的2017年最新金融騙局黑名單和加密貨幣分析網(wǎng)站CoinMarketCap加密貨幣數(shù)據(jù)組成，為參與評(píng)價(jià)計(jì)算，需要進(jìn)行數(shù)據(jù)預(yù)處理，規(guī)范化各指標(biāo)的值。經(jīng)過(guò)分析，采用0-1標(biāo)準(zhǔn)化方式對(duì)數(shù)據(jù)進(jìn)行處理。對(duì)處理的150組數(shù)據(jù)，將其中的130組作為學(xué)習(xí)樣本，剩下的20組作為測(cè)試樣本，利用Matlab編寫(xiě)程序建立BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行實(shí)證研究。

（二）實(shí)證結(jié)果

建立BP神經(jīng)網(wǎng)絡(luò)，分別導(dǎo)入130組學(xué)習(xí)樣本數(shù)據(jù)和20組測(cè)試樣本數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行歸一化。設(shè)定隱含層節(jié)點(diǎn)數(shù)為10，目標(biāo)誤差值為0.001，最大迭代次數(shù)為10000，開(kāi)始訓(xùn)練神經(jīng)網(wǎng)絡(luò)。訓(xùn)練完成后，對(duì)測(cè)試數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)實(shí)證研究，得到輸出值并進(jìn)行反歸一化操作，再利用擇近原則，將數(shù)據(jù)分類(lèi)為0或1，實(shí)際輸出、分類(lèi)處理后的實(shí)際輸出和期望輸出如表4所示。實(shí)際輸出和期望輸出的對(duì)比圖如圖3所示，由對(duì)比圖可見(jiàn)BP網(wǎng)絡(luò)訓(xùn)練之后的輸出可以較精確地逼近目標(biāo)函數(shù)。最后，計(jì)算實(shí)際輸出與期望輸出的誤差率為14.42%，對(duì)20組樣本數(shù)據(jù)診斷準(zhǔn)確率為95%。網(wǎng)絡(luò)誤差曲線(xiàn)如圖4所示，由曲線(xiàn)圖可知，網(wǎng)絡(luò)共訓(xùn)練11次，5次后趨于平穩(wěn)，收斂速度較快，因此該網(wǎng)絡(luò)在訓(xùn)練時(shí)間、訓(xùn)練次數(shù)等方面具有良好的性能[14]。

表4 輸出結(jié)果對(duì)比

圖3 實(shí)際輸出和期望輸出對(duì)比圖

（三）結(jié)果分析

實(shí)驗(yàn)樣本數(shù)據(jù)主要來(lái)自央視已公布的金融騙局名單和CoinMarketCap網(wǎng)站數(shù)據(jù)，數(shù)據(jù)來(lái)源可靠。20組測(cè)試樣本中，包括維卡幣、萬(wàn)福幣、無(wú)極幣等已確認(rèn)為網(wǎng)絡(luò)傳銷(xiāo)的虛擬幣。實(shí)驗(yàn)實(shí)際輸出與期望輸出結(jié)果基本一致，診斷準(zhǔn)確率達(dá)到95%，即20組測(cè)試樣本中，只有一組與期望輸出不同，表明BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)之后可以較精確地對(duì)ICO經(jīng)濟(jì)類(lèi)罪進(jìn)行診斷。通過(guò)實(shí)驗(yàn)輸出結(jié)果可知，BP神經(jīng)網(wǎng)絡(luò)模型對(duì)ICO經(jīng)濟(jì)類(lèi)罪的診斷準(zhǔn)確率較高，其原因可歸結(jié)為兩方面關(guān)鍵技術(shù)[15]，一方面是訓(xùn)練樣本的可靠選擇，覆蓋全面的樣本數(shù)據(jù)是BP神經(jīng)網(wǎng)絡(luò)具有較高診斷準(zhǔn)確率的基礎(chǔ)；另一方面是隱含層節(jié)點(diǎn)數(shù)的選擇，選取合適的隱含層節(jié)點(diǎn)數(shù)可以提高診斷準(zhǔn)確率。

圖4 網(wǎng)絡(luò)誤差曲線(xiàn)

四、結(jié)語(yǔ)

本文研究是基于神經(jīng)網(wǎng)絡(luò)的ICO經(jīng)濟(jì)類(lèi)罪的診斷方法，以最常見(jiàn)的BP神經(jīng)網(wǎng)絡(luò)建立診斷模型，實(shí)現(xiàn)了對(duì)ICO合法性的預(yù)測(cè)和評(píng)估。通過(guò)合適的隱含層節(jié)點(diǎn)數(shù)和精心選擇的樣本數(shù)據(jù)，診斷準(zhǔn)確率達(dá)到95%。實(shí)證結(jié)果表明，所建立的類(lèi)罪模型能有效反映各評(píng)價(jià)指標(biāo)與ICO經(jīng)濟(jì)類(lèi)罪之間的非線(xiàn)性關(guān)系。因此，BP神經(jīng)網(wǎng)絡(luò)在診斷ICO經(jīng)濟(jì)類(lèi)罪方面具有較高的準(zhǔn)確性，可用于評(píng)價(jià)ICO經(jīng)濟(jì)類(lèi)罪的一種新思路。