FIND研究員：黃筑均
反洗錢是現今金融產業的一項很重要的課題，我們今天來看看目前銀行對於反洗錢系統的可能困境，以及如何導入機器學習方法來改善：
【什麼是洗錢】
洗錢，就是將犯罪、貪污、賄賂、走私等等的現金、金融商品、不動產、珍奇異寶等等經由各種非法交易手段隱藏其金錢來源及性質，使得該收入表面上看起來並無異樣。
經由聯合國的報告，現金國際社會上的金融洗錢犯罪共占了全球2%至5%的GDP值，每年所牽涉的違法金額超過2 萬億的美金。
而這類的犯罪，目前國際上所定義的反洗錢(AML)規則只能掌控幾乎不到1%的非法交易情境。但光是這樣的準確性，美國每年各家銀行花費在訂定、開發AML的自動化系統上費用就超過了500億美元。
【反洗錢(AML)】
目前銀行業針對AML主要辨識的項目：
--了解客戶樣貌及交易情況
這裡主要是為了解客戶的身分以及他們在金融上的交易狀況，這裡的身分不只有基本資訊(年齡、性別、居住地......)亦包含法定代理人、受益人、擔保人、所在公司的狀況、控股股東負責人等等皆須納入觀察。
--所有可疑的交易情境
臺灣金融監督管理委員會於2017年6月28日公布了共53點的"疑似洗錢或資恐交易"情境，
1.產品服務(1)存提匯款類(2)授信類(3)OBU類(4)貿易金融類(5)通匯銀行類(6)保管箱類(7)其他類
2.異常交易活動(1)交易行為類(2)客戶身分資訊類
3.資恐類
4.跨境交易類
以下簡單列幾點洗錢情境範例(條例來源:法務部調查局洗錢防制處 附錄:疑似洗錢或交易樣態)
1.OBU類：客戶帳戶累積大量餘額，並經常匯款至其國外帳戶達特定金額以上。
2.資恐類 : 以非法營利團體名義經常進行達特定金額以上之跨國交易，且無合理解釋者。
3.客戶身分資訊類：辦理國外匯出匯款之匯款人與受款人間無法對雙方關係提出合理解釋者。
4.跨境交易類：客戶經常自國外收到特定金額以上款項後，立即再將該筆款項匯回同一個國家或地區的另一個人，或匯至匯款方在另一個國家或地區的帳戶者。
【AML系統的困境】
現今諸多銀行所使用的AML系統，是基於上述的53條樣態，去開發每一條偵查情境，如有可疑狀況便給予預警。當識別出可疑的交易筆數，再經由大量的經驗進行人工覆核，挑選出可疑的交易進行呈報。
然而，真實的洗錢犯罪手法千變萬化，現行銀行所使用的系統大部分是針對最多到1 個月內的資料進行運算，較少使用到大量的過去，資料計算及存儲系統運算。有些犯罪者會抓住此盲點，將那些過去很少交易的帳戶當成洗錢人頭，將可能會躲過金管會所規範的情境識別，因此導致AML系統的錯報率至今仍是非常之高，大大浪費了人力以及物力。
隨著數位金融的蓬勃發展，如近期的虛擬貨幣(彼特幣)交易及第三方支付，為我們帶來許多便利性，相對的也對洗錢集資犯罪者提供了更多的支線情境可以走，因此未來的洗錢防制更是一項艱鉅的挑戰且必要的措施。
【AI改善AML系統】
AI在分析AML的資料上，可以自動地學習大量已確定為犯罪的可疑交易，自動分類和排序所有交易案件的危險等級，協同輔助資深的反洗錢師；而隨著審核經驗的增加。模型丟入越多條可能違法交易學習，誤判概率較低。
目前中國所開發的的AML學習模型，基於大數據的分散式存取技術，可以覆蓋高達6個月到3年的所有交易筆數。除此之外，建置該系統的成本，遠低於建置傳統系統的三分之一。
模型訓練出來的結果經過驗證，可以達到一個資深反洗錢師95%的水平，共節省了30%以上的人工審核流程，有效增強了銀行對於反洗錢系統的管控及時間，以及有效降低誤判、人才不好找及內外勾結等等問題。
資料來源：
https://zhuanlan.zhihu.com/p/55591070
https://www.mjib.gov.tw/EditPage/?PageID=076d8266-a060-4888-8d67-c8f9ed514a3b
沒有留言:
張貼留言