金融机构反洗钱技术思路

1. 核心工作

  1. 客户身份识别 (金融机构通过尽职调查、名单筛选等手段,充分了解客户的身份信息、交易目的与性质、实际控制人和受益人信息,从而识别出交易代理人和受益人的身份。目的是从客户维度上识别洗钱风险)。
  2. 大额与可疑交易报告(金融机构对交易进行实时监测,及时照出交易金额较大或存在可以特征的交易,随后对这些大额和可以交易进行甄别分析,最终形成分析报告到金融监管机构,以作为后续调查的依据。目的是从交易维度上识别洗钱风险,及时发现洗钱风险的交易并将报告递交到监管机构)。
  3. 客户与交易信息保存(金融机构按照规定的时间和内容,对客户和交易信息进行妥善保存,以作为后续司法调查的依据)。

2. 技术痛点

2.1 客户身份识别

  • 客户尽职调查工作流于形式,缺乏对客户身份的穿透式分析 ::(客户尽职调查机制不完善,缺乏有效的调查模版和分析模型。)::
  • 客户相关文件(例如国际业务中的 SWIFT报文)的信息提取主要依赖人力,工作效率较低且存在较大操作风险隐患::(缺乏有效的文本信息提取工具)::
  • 名单筛查方式落后,无法应对重名、音译差别、输入偏差(例如外文配,缺乏具有名中少输入一个“”符号)等问题::(名单筛选方式主要依靠精准匹配,缺乏具有较高准确率的模糊匹配工具)::

2.2 大额与可疑交易报告

  • 可疑交易监测模型的准确率和覆盖率不足,存在大量的漏报、误报现象 ::(传统监测模型基于较为简单的线形多因子模型,其数据分析能力较弱,难以达到较高的监测准确率和覆盖率)::
  • 可疑交易甄别分析以及报告撰写工作严重依赖人力,工作效率较低且存在较大操作风险隐患::(缺乏有效的交易数据分析模型)::

2.3 客户与交易信息保存

  • 面对大量客户和交易数据,IT系统的数据处理效率不足::(缺乏有效的交易数据分析模型)::

3. 技术解决思路

随着人工智能、大数据、云计算等技术的发展

3.1 客户身份识别

运用人工智能领域中的监督学习技术,构建客户洗钱风险智能评分模型 运用人工智能领域中的无监督学习技术,构建客户标签提取模型

运用人工智能领域中的自然语言处理(NLP)技术,提取并整理客户相关文件中的关键要素(例如客户基本信息、交易对手、委托代理关系等) 运用大数据分析领域中的特征工程技术**,找到客户文件中关键要素的最优数据表示,以作为客户洗钱风险评分模型和名单筛选模型的输入变量

运用大数据分析领域中的文本挖掘技术,构建可以实现的模糊匹配的名单筛查模型 运用人工智能领域中的**流程自动化(PRA)技术,构建客户尽调和名单管理工作辅助机器人,实现客户身份识别工作中部分流程的自动完成

3.2 大额与可疑交易报告

运用人工智能领域中的监督学习技术,利用客户特征、客户关联关系、交易特征等多维信息和海量数据,构建可以交易智能监测模型

运用大数据分析中社会网络分析聚类分析等技术,结合数理统计、数论等知识,构建资金网络分析模型、客户与交易匹配度分析模型、交易金额倍数特征分析模型等。 运用人工智能领域中流程自动化(RPA)技术,构建甄别工作辅助机器人,实现可疑交易甄别工作中部分流程的自动完成。 运用人工智能中的自然语言处理技术文本挖掘技术,实现可疑报告的自动撰写。

3.3 客户与交易信息保存

运用云计算技术搭建大数据处理平台,实现海量数据的高效处理。

4. 应用现状和趋势

全球整体形势上来看,反洗钱技术目前还处于初步探索阶段,在日趋严峻的国内外反洗钱监管形式下,金融机构反洗钱工作的试错成本极高,因此国内外金融行业都保持着稳健、审慎的反洗钱工作,而不是追求技术上的快速突破。

研究者主要在技术层面考虑更多,而对于反洗钱工作的内在逻辑的梳理,导致理论研究模型过于理想化、实证研究数据代表性不足等问题,都是研究者们今后探索的内容之一。

对于反洗钱需要注意的几点:

  1. 应用金融技术是重要途径,但不是核心目的。技术用来加强洗钱风险防控质量、提升反洗钱工作效率。
  2. 科技力量的支撑,反洗钱中的有效应用需要高质量的客户和交易数据作为储备支持。(我觉得这个真的是非常难非常难的,需要保证数据完整性和真实性,简简单单一句话,实施过程复杂多样)一套完善的客户数据收集机制,除了有效的数据收集方法和工具之外,还需要在岗位、指责、制度、流程、人员、系统等方面采取合理的配套措施。
  3. 金融机构加强与学术界的联系,逐步打破反洗钱技术应用相关研究和实践之间的隔阂,使得研究成果更有实践价值。
  4. 推动反洗钱技术应用的同时,应探索反洗钱领域的金融科技风险评估和防控机制,目标在于实现以风险为本的反洗钱技术应用。