反洗钱 (AML)

使用TigerGraph进行反洗钱

0 B

每年全球范围内洗钱的最低估计规模

0 B

全美金融服务业用于AML的费用

0 M

AML罚款针对澳大利亚联邦银行

为何要进行反洗钱(AML)

任何涉及金融交易的组织,无论是如数字移动支付之类的非银行货币业务,还是人寿保险或零售商,都属于反洗钱(AML)的法律监管范围。联合国打击毒品和犯罪问题办公室估计,洗钱金额占全球 GDP的 2-5%,即 8 千亿到 2 万亿美元价值。

与此同时,反洗钱的支出成本却持续上升。全球反洗钱支出每年增长近9%,2017年已高达8万亿美元(来源:数据研究公司wealthinsight)。

如今,犯罪团队使用极其复杂并不断变换的技巧来逃过传统反洗钱系统的监管。许多企业都拥有可以发现非法活动的数据,但却无法将数据及数据间的关系结合在一起。

基于关系型数据库的传统解决方案可行吗?

当前几乎所有反洗钱合规系统的基础都是关系型数据库,关系型数据库将信息(客户、帐户、交易等)存储在行和列之中。对于编制索引和搜索数据以及支持交易和执行基本统计分析,关系型数据库是非常出色的工具。

但是,关系型数据库并不适合在十多个层级的帐户中关联点和确定隐藏关系,而这对于分析资金流动痕迹和评估其洗钱风险至关重要。使用关系型数据库时,为找出潜在的关联,分析师需要将很多数据表链接起来运行查询。这种查询可能需要数小时甚至数天的时间才能完成,因此,几乎无法对多方和多笔交易之间的联系进行有意义的分析。

检测洗钱需要超出个人帐户行为范围,长期分析帐户组或实体之间的关系通常需要结合来自第三方来源的信息。基于关系型数据库构建的传统反洗钱解决方案在设计上无法解决这一挑战。

TigerGraph如何为企业打造反洗钱(AML)解决方案?

通过实时深度链路分析减少反洗钱中的误报

在传统反洗钱解决方案发出的反洗钱警报中,多达 95% 的警报最终被判定与洗钱无关。TigerGraph将所有的数据关联起来,通过高级分析建立更智能的规则和风险评估措施。这可以减少误报的几率,并从宏观层面实现反洗钱目标。

通过深度关联分析实时发现反洗钱中的漏报

洗钱者越来越狡猾,他们建立了错综复杂的身份和帐户网络来将他们的非法所得合法化。因此,要在无数合法交易中找到深埋其中的漏报,非常困难和费时。TigerGraph的实时深度链路分析系统能够帮助企业快速捕获、存储、搜索、分析数据,以发现之前从未发现过的数据相关性和关联。

TigerGraph机器学习,可以提高反洗钱预测的准确性

很多金融服务提供商将机器学习与其现有的反洗钱解决方案进行了集成。不过,由于传统反洗钱解决方案生成大量误报,而这些误报又被作为训练数据应用到机器学习,因此导致机器学习预测结果的准确性极低。TigerGraph从数据摄取、机器学习、实时检测、调查支持等各方面改进反洗钱的工作流程,同时将得到的数据反馈回系统帮助机器学习自我提升。