了解图数据库系列之
基于图数据库的反洗钱方案
目前的异常交易的规则监测，主要作用在于发现线索、提示异常，也就是提取洗钱行为中的特征环节。绝大多数的规则是以监测单一主体（客户）或结对主体（对手关系）为出发点的。而在真实的洗钱案件中，很多的洗钱行为，都会形成一个相对复杂的资金流动场景（网络），账户（节点）多，交易（边）多，并且会呈现出某种结构性异常。也就是说，资金的流动网络越复杂，越有规律，有问题的可能性越大。因此，构建资金网络，并对资金网络进行分析监测，是识别重点可疑的一个有效途径。
几乎所有现有的反洗钱合规系统都建立在关系数据库的基础上，这些数据库以行和列的形式存储信息（客户、账户、交易等）。
检测洗钱和金融欺诈需要超越个人账户行为，随着时间的推移分析账户组或实体之间的关系，通常结合来自第三方来源的信息。建立在关系数据库上的传统洗钱解决方案并非旨在应对这一挑战。
A
为什么要用图技术来反洗钱？
现今发生的洗钱策略多种多样：
• 结构化洗钱（又名拆分洗钱）
• 大宗现金走私
• 现金密集型业务
• 依托贸易洗钱
• 空壳公司和信托
往返交易•
银行股权收购•
赌场和其他赌博•
房地产•
现金工资•
人寿保险业务•
随着数据资产的数量不断增加，我们需要一种技术解决方案来适应数据集中的连接大小和种类。
能够以实时查询性能识别复杂数据关系的图数据库是对抗洗钱和贪污的有力武器。
例如，BFS布局下的转账可视化，如下图所示：
反洗钱数据库包含不准确、不完整、陈旧或缺失的信息较常见。为了应对这些挑战，使用图算法可以：
• 填补缺失和不准确数据的空白
• 识别与当前交易评分相关的子图
• 结合归一化的字符串相似度和模式匹配分数以产生整体相似度分数
• 相似实体之间的权重关系并应用社区检测技术
B
图分析可以减少洗钱检测中的漏报
洗钱者通常会创建一个复杂的身份和账户网络，以转移他们的不义之财。
在传统评分方法下，新客户账户被标记为低风险账户，因为传统评分模型衡量的其他属性，如高风险地域、交易金额或先前警报或 SAR 的数量均未显示出重大洗钱行为风险。
然而，传统方法未能考虑与新客户存在未声明关系的高风险客户群。
新客户与其他四个拥有多个 SAR 的现有客户共享一个电话号码，因此被指定为高风险。使用人工审查或现有模型和系统很难通过电话号码发现这种隐藏或未声明的关系。
C
通过深度链接分析减少误报
传统系统发出的大约 95% 的洗钱警报与洗钱无关。考虑这样一个例子，交易对手方 2 发出了新的警报，该交易对手方最近与一个与可疑活动报告 (SAR) 相关联的客户账户进行了金融交易。传统方法会认为这种新警报具有高风险，因为传统指标（例如生成的大量警报和在同一客户帐户上提交的多个 SAR）都表明存在高 AML 风险的可能性。
尽管如此，通过图形分析，在之前的所有警报中，只有与交易对手1相关的警报成为了SAR，而与交易对手2相关的警报都已关闭。鉴于此新警报与 Counterparty 2 相关，与警报 1 和 2 相比，它可能与警报 3 和 4 更相似，因此可能应该关闭，或至少标记为低风险。
通过深层链接分析可以识别和分组“类似”警报，而传统的交易监控系统可能会错过这种关系。
D
结合机器学习提高洗钱检测的准确性
多家金融服务提供商已将机器学习与其现有的反洗钱解决方案相集成。然而，反洗钱检测的准确性较差，因为传统解决方案会产生大量误报，并将其作为训练数据输入人工智能。这反过来又会影响预测 AML 活动的准确性。
应在图分析的基础上，利用机器学习建模，可使得AML监测效果发挥出来，降低误报。
RegTech 未来
