了解图数据库系列之——监测资金流向

7月12日，上海银保监局连发17张罚单，其中7张涉及涉房类融资，多项违法违规事实涉嫌资金违规进入房地产市场。农发行上海市分行、邮储银行上海分行、上海银行、中国信达资产管理公司上海分公司均被点名。

因“部分固定资产贷款变相用于支付土地”等原因，被处罚金150万元。同时，农发行上海市南汇支行、农发行上海市闵行区支行因“部分固定资产贷款变相用于支付土地出让金”，相关责任人受到警告。

因“2015年1月至2019年6月，部分个人贷款贷后管理严重违反审慎经营规则，部分个人住房贷款贷前调查严重违反审慎经营规则”等原因，被处罚金370万元。

因“变相为房地产企业支付土地出让金提供融资”受到警告。

因6项违法违规事实获460万元大罚单，其中多项涉及房地产市场：2018年12月，该行某笔同业投资房地产企业合规审查严重违反审慎经营规则；2019年2月至4月，该行部分个人贷款违规用于购房；2020年5月至7月，该行对部分个人住房贷款借款人偿债能力审查不审慎。

同时，上海银行浦西分行同业投资房地产企业合规审查严重违反审慎经营规则，相关责任人被予以警告。

上海银行并非首次因提供涉房类融资被罚。从今年3月1日起，上海银保监局选取辖内16家银行开展了经营贷、消费贷违规流入房市专项稽核调查，共发现123笔、3.39亿元经营贷和消费贷涉嫌被挪用于房地产市场；农业银行、平安银行、民生银行等遭处罚。

今年3月，中国银保监会主席郭树清曾在国新办新闻发布会上表示：“必须既积极又稳妥地促进房地产市场平稳健康发展”。多地银保监局出台相关调控细则，强化对银行业违规向房地产提供融资行为的查处。

对此，一些金融机构开始尝试用图计算的方式分析客户的资金流向和关联关系，取得了一定效果。图计算系统是基于图（Graph）的形式，将信息中的实体，以及实体之间的关系，分别抽象表达成为“顶点”以及“顶点间的边”这样的结构数据。图计算的方式尤为适合处理大数据关联关系的分析计算，不同账户间的资金流向可以在客户图谱中很容易的识别并分析。

假设在关系型数据库中有下表所示的一段交易流水：

将交易过程中的每一个实体（银行或公司）作为节点、每一条交易流水作为两点之间的一条边，我们便能构建一张包含所有交易数据的关联图，其中的数据将被存储在图数据库中。

可以看到数据中的“公司A”、“公司B”都从三条数据合并为了一个节点，转账行为成为了带数据的有向边，利用点边关系即可清晰地描述实体间的交易行为。

并且通过构建图，我们发现公司A转出的金额和公司B收入的金额接近，有助于业务人员对两公司之间的交易行为进行进一步甄别和判断，而这在传统的关系型数据库中是很难直接看出的。所以更近一步地，我们可以设计出如下这样的方案，帮助揪出违规资金用途：

人脑天生就对图更加敏感。以图的形式进行数据存储，构建实体之间的关联关系，这样的方法符合人类认知数据的直觉。

在实践中，与高风险账户频繁交易的账户，其风险值也远高于一般客户。基于资金往来关系的客户风险评分系统采用图计算和机器学习结合的技术方案，将客户资金往来作为核心数据对客户逬行打分，可以计算出危险度评分。

在另外一个案例中，我们可以看到某家机构利用图数据库存储交易数据、工商数据并在图上遍历所有资金流向（边），在资金链路上挑出涉房资金链路，标注后作预警提示（如下图所示），现已初见成效。