劉澤辰

[摘 要]洗錢(qián)會(huì)破壞金融市場(chǎng)與機(jī)構(gòu)的完整性與穩(wěn)定性。隨著金融業(yè)全球化發(fā)展，各國(guó)對(duì)于金融市場(chǎng)洗錢(qián)行為的監(jiān)管也愈發(fā)重視。本文以英國(guó)財(cái)政部2015年發(fā)布的《英國(guó)洗錢(qián)與恐怖主義融資國(guó)家風(fēng)險(xiǎn)評(píng)估》為基礎(chǔ)，應(yīng)用機(jī)器學(xué)習(xí)中基于向量空間模型的KNN分類(lèi)器模型自動(dòng)學(xué)習(xí)風(fēng)險(xiǎn)等級(jí)分類(lèi)決策準(zhǔn)則評(píng)估金融體系不同領(lǐng)域的洗錢(qián)風(fēng)險(xiǎn)水平，并建立了一個(gè)監(jiān)測(cè)洗錢(qián)行為的機(jī)制。這意味著當(dāng)其他國(guó)家通過(guò)使用英國(guó)建立的洗錢(qián)風(fēng)險(xiǎn)評(píng)估系統(tǒng)積累了足夠的數(shù)據(jù)后，可以使用模型和指標(biāo)來(lái)確定本國(guó)洗錢(qián)風(fēng)險(xiǎn)水平，而無(wú)須使用英國(guó)的風(fēng)險(xiǎn)評(píng)估系統(tǒng)，節(jié)省了成本。實(shí)驗(yàn)結(jié)果表明，分類(lèi)器能夠有效區(qū)分金融體系各領(lǐng)域洗錢(qián)風(fēng)險(xiǎn)水平高低。

[關(guān)鍵詞]向量空間;KNN分類(lèi)器;反洗錢(qián)監(jiān)管;金融體系

doi：10.3969/j.issn.1673 - 0194.2019.16.069

[中圖分類(lèi)號(hào)]F831.1[文獻(xiàn)標(biāo)識(shí)碼]A[文章編號(hào)]1673-0194（2019）16-0-02

1 ? ? 研究假設(shè)

《英國(guó)洗錢(qián)與恐怖主義融資國(guó)家風(fēng)險(xiǎn)評(píng)估》將金融體系劃分為12個(gè)主題領(lǐng)域：銀行業(yè)（Banks）、會(huì)計(jì)服務(wù)業(yè)（Accountancy service providers）、法律服務(wù)業(yè)（Legal service providers）、貨幣服務(wù)業(yè)（Money service businesses）、信托服務(wù)業(yè)（Trust or company service providers）、房地產(chǎn)服務(wù)業(yè)（Estate agents）、高價(jià)值商品銷(xiāo)售業(yè)（High value dealers）、無(wú)監(jiān)督的零售博彩業(yè)（Retail betting）、有監(jiān)督的賭城博彩業(yè)（Casinos）、現(xiàn)金交易（Cash）、以電子貨幣交易為典型的新興貨幣交易（New payment methods）和數(shù)字貨幣交易（Digital currencies）。

1.1 ? 數(shù)量假設(shè)

每種領(lǐng)域存在一種洗錢(qián)方法，即在國(guó)家金融體系中，共存在12種洗錢(qián)方法。

1.2 ? 鄰近假設(shè)

在向量空間中，具有相同風(fēng)險(xiǎn)水平的洗錢(qián)方法構(gòu)成一個(gè)類(lèi)。同一類(lèi)型的洗錢(qián)方法會(huì)構(gòu)成一個(gè)鄰近區(qū)域，而不同類(lèi)的鄰近區(qū)域之間互不重疊。

1.3 ? 獨(dú)立性假設(shè)

在國(guó)家金融體系中，每種洗錢(qián)方法都是獨(dú)立的，互不影響。

2 ? ? 參數(shù)設(shè)定

采用總漏洞評(píng)分（Total vulnerabilities score）、總似然評(píng)分（Total likelihood score）、結(jié)構(gòu)性風(fēng)險(xiǎn)（Structural risk）、風(fēng)險(xiǎn)減緩等級(jí)（Risk with mitigation grading）作為衡量各領(lǐng)域洗錢(qián)風(fēng)險(xiǎn)水平的4個(gè)主要因素。每個(gè)因素都可以由一個(gè)或多個(gè)可檢測(cè)指標(biāo)來(lái)確定。

2.1 ? 總漏洞評(píng)分（Total vulnerabilities score）

總漏洞評(píng)分衡量洗錢(qián)行為在每個(gè)領(lǐng)域造成的損害程度。得分越高，各個(gè)領(lǐng)域洗抵御洗錢(qián)行為破壞的能力越弱。在定量評(píng)估和研究過(guò)程中，以下3個(gè)因素會(huì)對(duì)結(jié)果產(chǎn)生顯著影響：①?lài)?guó)際資本轉(zhuǎn)移能力;②該領(lǐng)域的貨幣流通速度或貨幣流量;③該領(lǐng)域的各部門(mén)企業(yè)的合規(guī)經(jīng)營(yíng)水平

2.2 ? 總似然評(píng)分（Total likelihood score）

總似然評(píng)分衡量在每個(gè)領(lǐng)域發(fā)生洗錢(qián)事件時(shí)，該區(qū)域向執(zhí)法機(jī)構(gòu)報(bào)告的可能性。得分越高，該領(lǐng)域從業(yè)者的專(zhuān)業(yè)水平越高。在定量評(píng)估和研究過(guò)程中，以下3個(gè)因素會(huì)對(duì)結(jié)果產(chǎn)生顯著影響：①該領(lǐng)域規(guī)模大小;②該領(lǐng)域各部門(mén)向執(zhí)法部門(mén)報(bào)告可疑洗錢(qián)活動(dòng)的可能性，可以從各部門(mén)提交的可疑活動(dòng)報(bào)告（SAR）數(shù)量看出;③該領(lǐng)域各部門(mén)對(duì)于洗錢(qián)行為相關(guān)知識(shí)的掌握程度。

2.3 ? 結(jié)構(gòu)性風(fēng)險(xiǎn)（Structural risk）

在獲取總體漏洞評(píng)分和總似然評(píng)分后，系統(tǒng)自動(dòng)生成一個(gè)評(píng)分，用于衡量每個(gè)領(lǐng)域的結(jié)構(gòu)性風(fēng)險(xiǎn)。得分越高，該領(lǐng)域發(fā)生洗錢(qián)行為的可能性越高，或洗錢(qián)事件的數(shù)量越多。

2.4 ? 風(fēng)險(xiǎn)減緩等級(jí)（Risk with mitigation grading）

風(fēng)險(xiǎn)減緩等級(jí)衡量執(zhí)法人員獲得洗錢(qián)行為的消息時(shí)處理洗錢(qián)事件的能力。得分越高，執(zhí)法人員成功處理事件的能力越強(qiáng)。

3 ? ? 建立模型

3.1 ? 建立變量關(guān)系

Tvsi=f（a，M，li） （1）

Tlsi=F（sizei，ri，ki）（2）

Sri=G（Tvsi，Tlsi）（3）

在式（1）中，M可用替換。

式中：i為領(lǐng)域i的洗錢(qián)方法;Tvsi為領(lǐng)域i的總漏洞評(píng)分（Total vulnerabilities score）;a為國(guó)際資本轉(zhuǎn)移能力;M為貨幣供給總量;li為領(lǐng)域i的各部門(mén)企業(yè)的合規(guī)經(jīng)營(yíng)水平;Tlsi為領(lǐng)域i的總似然評(píng)分（Total likelihood score）;sizei為領(lǐng)域i的規(guī)模;ri為領(lǐng)域ki中各部門(mén)向執(zhí)法部門(mén)報(bào)告可疑活動(dòng)的可能性;ki為領(lǐng)域i各部門(mén)對(duì)于洗錢(qián)行為相關(guān)知識(shí)掌握水平;Sri為領(lǐng)域i的結(jié)構(gòu)性風(fēng)險(xiǎn)（Structural risk）。鑒于不同國(guó)家金融體系的不同，將產(chǎn)生不同的函數(shù)關(guān)系（f，F(xiàn)，G）。

3.2 ? 數(shù)據(jù)預(yù)處理

向量空間模型將每種洗錢(qián)方式表示為由實(shí)數(shù)分量組合而成的向量。其中：為領(lǐng)域i的洗錢(qián)方法的向量化表示;Rwmg為領(lǐng)域i的風(fēng)險(xiǎn)減緩等級(jí)（Risk with mitigation grading）。

向量中每個(gè)分量對(duì)應(yīng)一個(gè)評(píng)價(jià)指標(biāo)。從《英國(guó)洗錢(qián)與恐怖主義融資國(guó)家風(fēng)險(xiǎn)評(píng)估》中獲取了2015年英國(guó)金融體系12個(gè)主題領(lǐng)域的原數(shù)據(jù)，以評(píng)估數(shù)字貨幣交易洗錢(qián)風(fēng)險(xiǎn)水平為例，數(shù)字貨幣交易洗錢(qián)風(fēng)險(xiǎn)水平為“低（Low）”。選取除數(shù)字貨幣交易外的11個(gè)領(lǐng)域作為訓(xùn)練集，對(duì)11個(gè)四維向量降維成二維向量，并將其投影到二維平面上，觀察數(shù)據(jù)分布。

3.3 ? 算法描述

輸入：正整數(shù)k（KNN算法參數(shù)），訓(xùn)練集D，類(lèi)別集合C，需要判斷分類(lèi)的向量d。

輸出：d所有可能的分類(lèi)中，具有最高概率值的主類(lèi)c（c∈C）。

（1）D（i，d）=dist（Di，d）//采用歐幾里得距離計(jì)算d與訓(xùn)練集D中各元素距離。

（2）Sk<-select top-k distances from D（i，d）//對(duì)于（1）中結(jié)果，按距離遞增順序進(jìn)行排序，選擇與d距離最小的k點(diǎn)，并將其存儲(chǔ)在數(shù)據(jù)結(jié)構(gòu)Sk中。

（3）for each cj∈C：do pj<-|Sk∩cj|/k//確定前k個(gè)點(diǎn)所在類(lèi)別的出現(xiàn)頻率pj。

（4）return arg maxjpj//返回具有最高出現(xiàn)頻率的類(lèi)別作為當(dāng)前點(diǎn)的預(yù)測(cè)分類(lèi)。

3.4 ? 實(shí)驗(yàn)結(jié)果

給出了k=3時(shí)的分類(lèi)結(jié)果。紅線(xiàn)表示分類(lèi)邊界，風(fēng)險(xiǎn)水平的3種分類(lèi)分別由“+、о、*”表示。最靠近數(shù)字貨幣交易洗錢(qián)方式的三個(gè)點(diǎn)均屬于“低（Low）”類(lèi)，即P（“高”類(lèi)別|數(shù)字貨幣交易洗錢(qián)方式）=0，P（“中”類(lèi)別|數(shù)字貨幣交易洗錢(qián)方式）=0，P（“低”類(lèi)別|數(shù)字貨幣交易洗錢(qián)方式）=1。分類(lèi)器給出的結(jié)果是數(shù)字貨幣交易洗錢(qián)方式屬于“低”類(lèi)，這與實(shí)際結(jié)果相符，說(shuō)明分類(lèi)器是準(zhǔn)確的。

同樣可以發(fā)現(xiàn)，英國(guó)2015年的數(shù)字貨幣交易洗錢(qián)方式風(fēng)險(xiǎn)較低，這與有監(jiān)督的賭城博彩業(yè)、高價(jià)值商品銷(xiāo)售業(yè)和無(wú)監(jiān)督的零售博彩業(yè)的風(fēng)險(xiǎn)水平相同。這意味著他們的風(fēng)險(xiǎn)結(jié)構(gòu)有可能相似。因此，對(duì)數(shù)字貨幣交易反洗錢(qián)監(jiān)管可以借鑒對(duì)有監(jiān)督的賭城博彩業(yè)、高價(jià)值商品銷(xiāo)售業(yè)和無(wú)監(jiān)督的零售博彩業(yè)進(jìn)行反洗錢(qián)監(jiān)管。

假設(shè)在某一年獲得了數(shù)字貨幣交易洗錢(qián)方法的4個(gè)指標(biāo)，仍然可以使用分類(lèi)器來(lái)判斷數(shù)字貨幣交易洗錢(qián)方法在一年內(nèi)的風(fēng)險(xiǎn)水平，并與前一時(shí)期進(jìn)行比較，得出數(shù)字貨幣交易中洗錢(qián)風(fēng)險(xiǎn)的趨勢(shì)，以便更好地監(jiān)管。

4 ? ? 靈敏度分析

4.1 ? 對(duì)k值的選擇

在KNN模型中，k的取值往往取決于分類(lèi)問(wèn)題本身的經(jīng)驗(yàn)或知識(shí)。一般來(lái)說(shuō)，k通常采用奇數(shù)來(lái)減少多個(gè)主類(lèi)同時(shí)存在的可能性。k=3和k=5是常用的值，但是k也經(jīng)常取50～100的數(shù)值，取決于訓(xùn)練集樣本量的大小。

4.2 ? 對(duì)訓(xùn)練集樣本大小的敏感度

不斷更新訓(xùn)練集的樣本量，可以判斷出需要評(píng)估的洗錢(qián)方法的風(fēng)險(xiǎn)水平，然后將其訓(xùn)練集中，擴(kuò)大下一次評(píng)估的訓(xùn)練集樣本量，使結(jié)果更加準(zhǔn)確。

5 ? ? 結(jié) 語(yǔ)

本文針對(duì)各國(guó)金融體系中反洗錢(qián)監(jiān)管機(jī)制建立與完善提出了建設(shè)性框架，即各國(guó)通過(guò)使用英國(guó)建立的洗錢(qián)風(fēng)險(xiǎn)評(píng)估系統(tǒng)積累了足夠的數(shù)據(jù)后，可以使用基于向量空間模型的KNN分類(lèi)器模型自動(dòng)學(xué)習(xí)風(fēng)險(xiǎn)等級(jí)分類(lèi)決策準(zhǔn)則評(píng)估金融體系不同領(lǐng)域的洗錢(qián)風(fēng)險(xiǎn)水平。算法步驟和實(shí)驗(yàn)結(jié)果表明，模型簡(jiǎn)單、有效、高效。而由于各國(guó)金融體系不同，暫時(shí)很難探究出各指標(biāo)間具體的關(guān)系。在后續(xù)的研究中，將深入研究適用于各國(guó)金融體系的評(píng)價(jià)指標(biāo)組合，以便使分類(lèi)器的分類(lèi)結(jié)果更加準(zhǔn)確。

主要參考文獻(xiàn)

[1]HM Treasury.UK National Risk Assessment of Money Laundering and Terrorist Financing.[EB/OL].（2015-10-15）[2019-06-26].https：//www.gov.uk/government/publications/uk-national-risk-assessment-of-money-laundering-and-terrorist-financing.

[2]魏萊.反洗錢(qián)監(jiān)管體系與檢測(cè)方法研究[D].長(zhǎng)沙：湖南大學(xué)，2011.

[3]羅航海，李文俠，劉媛，等.風(fēng)險(xiǎn)為本的反洗錢(qián)監(jiān)管動(dòng)態(tài)評(píng)估體系建設(shè)研究[J].西部金融，2013（1）.

[4]秦曉霞.金融控股公司反洗錢(qián)監(jiān)管體系構(gòu)建[J].北方金融，2016（11）.

[5]關(guān)崇明.全面貫徹落實(shí)《反洗錢(qián)法》構(gòu)建甲天下反洗錢(qián)監(jiān)管體系——中國(guó)人民銀行桂林市中心支行十年反洗錢(qián)工作回顧[J].區(qū)域金融研究，2017（1）.