反洗钱

通过 TigerGraph 实时监测洗钱行为

8000
$
亿美元
全球每年洗钱总金额的最乐观估计
253
$
亿美元
美国金融行业反洗钱合规支出
7
$
亿美元
澳洲某银行被处以反洗钱罚金
商业挑战
传统解决方案
误报
漏报
机器学习
商业挑战
洗钱问题日益严重,而且由于实时数字转帐和支付的普及、复杂的国际法以及数字货币的出现,洗钱变得越来越难以跟踪。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。

全球政府加大了监管力度来阻止洗钱 — LexisNexis 的 2018 年调查估计,美国金融服务公司每年的反洗钱 (AML) 合规成本超过 253 亿美元。尽管不断扩大反洗钱分析师队伍,银行仍因违规而支付巨额罚款。在2018 年 6 月,澳洲联邦银行同意支付 7 亿美元罚金,这是因为他们违反了反洗钱和反恐怖主义融资法,导致数百万美元流入毒品进口国。
传统解决方案无法达成目标
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。
为什么选择将原生并行图数据库 TigerGraph 用于反洗钱?
通过深度关联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。举个例子,系统针对交易对手方2发出了新的反洗钱警报,该交易对手方最近与关联到可疑活动报告(SAR) 的客户帐户进行了金融交易。

传统方法会认为此新警报为高风险,因为多个传统指标(如同一个客户帐户生成大量警报且提交了多个 SAR)都表明这很可能为高洗钱风险。但图分析结果显示,在此前所有警报中,只有与交易对手方1相关的警报才提交了 SAR,而与交易对手方2相关的警报则全部解除。

鉴于这个新警报与交易对手方2相关,可能会更类似于警报3和4,而不是警报1和 2,因此可能应该解除或者至少标记为低风险。TigerGraph 的深度关联分析可以识别“类似”警报并将其归为一类,而传统交易监控系统则会忽视这种关系。
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。举个例子,系统添加了一个新客户帐户。根据传统评分方法,这一新客户帐户被标记为低风险帐户,因为传统评分模型评测的所有其他属性(如高风险地区、交易金额或者先前警报或 SAR 数量)都未显示存在重大洗钱风险。

但是,传统方法并未考虑与该新客户存在未声明关系的高风险客户集群。该新客户与另外四个现有客户的电话号码相同,而这四个客户具有多个 SAR,因此被指定为高风险。人工审查或现有模型和系统很难揭示这种通过电话号码形成的隐藏关系或未声明关系。TigerGraph 深度关联分析能够实时揭示这一隐藏关系,并将此新警报提升为高风险警报。
提高反洗钱机器学习准确性
多个金融服务提供商将机器学习与其现有反洗钱解决方案进行了集成。不过,由于传统解决方案生成大量误报,并将这些误报作为训练数据馈送到机器学习,因此机器学习检测的准确性极低。进而影响人工智能/机器学习系统中反洗钱活动预测的准确性。

考虑示例中发出的三个警报。我们看一下这些警报是如何基于以帐户历史记录为依据的传统特征而评级的,以及这些警报是如何基于 TigerGraph 计算的图关系特征来分类的。

用于机器学习的传统反洗钱解决方案训练数据包括多个特征,例如金融交易金额、相关帐户的提交 SAR,以及特定帐户是否位于高风险地区。基于这些特征,如果客户帐户与交易对手方 1 开展业务,且交易对手方 1 基于过去的交易历史记录具有提交的SAR,那么当交易对手方 2 收到该客户帐户的资金时,将产生针对交易对手方 2 的警报。交易对手方 2 还位于高风险地区。在审核 TigerGraph 生成的特征后,针对交易对手方 2 的警报降为低风险,过去有关此帐户的所有警报均已关闭,没有任何警报转变为 SAR。虽然此帐户位于高风险地区,但它与具有 SAR 的高风险帐户之间没有共同的电话、地址或任何其他信息。基于图的特征基本排除了交易对手方 2 反洗钱警报中的误报。

再来看一下新客户警报,该新客户位于高风险地区,与金融机构之间尚无历史往来,因此没有任何警报或 SAR。传统反洗钱解决方案不会对该新客户标记警报。不过,基于图的特征在深入挖掘后发现,该新帐户与具有 SAR 的几个客户使用同一电话号码:基于图的解决方案创建传统反洗钱解决方案遗漏的新反洗钱警报,并将其标记为高风险以进一步监控和调查。基于图的解决方案发现了漏报,即传统解决方案遗漏的反洗钱警报。