摘 要：履行可疑交易报告制度是金融机构反洗钱工作的核心义务之一。可疑交易监测分析就是反洗钱义务主体在与客户开展金融交易过程中，按照反洗钱法律法规要求，识别和发现存有洗钱及相关犯罪嫌疑的异常交易的过程。本文从提高可疑交易报告质量的角度提出了保证与兼顾针对性、完备性和准确性是可疑资金监测及可疑交易线索分析的基本对策，在归纳了可疑交易监测分析方法研究文献的基础上，构建了可疑交易监测分析任务的四要素模型，将有助于可疑交易模型的分析、构建、实现与评价。 关键词：反洗钱；可疑交易报告；应对策略；分析方法 中图分类号：F832.2 文献标识码：A 文章编号：1003-9031（2012）10-0067-04 DOI：10.3969/j.issn.1003-9031.2012.10.18 一、引言 可疑交易监测分析就是反洗钱义务主体在与客户开展金融交易过程中，按照反洗钱法律法规要求，识别和发现存有洗钱及相关犯罪嫌疑的异常交易的过程。总体上说，世界各国的反洗钱制度大多数都以可疑交易或者可疑行为报告制度为中心，要求金融机构报送有洗钱迹象和可能的交易行为的有关信息。可疑交易报告是国家反洗钱工作的核心内容和重要情报来源基础，有效的可疑交易线索为司法机关启动洗钱案件调查和侦查程序提供信息支持。 从本质上讲，可疑交易是与涉嫌洗钱等犯罪相关度较高的资金交易。伴随着金融创新的多样化和电子化，洗钱分子通过金融机构实施洗钱犯罪的手段日趋复杂、转移犯罪所得的方式更加便捷。特别是随着反洗钱制度与机制的建立以及金融机构反洗钱意识与合规水平的逐步提高，洗钱者为掩饰其洗钱动机和行为，必然会不断设计和实施更加多样、复杂的洗钱手段，从而形成了一个动态的、具有自主学习和自我调适功能的自组织系统。可以说，可疑交易监测分析是金融机构履行反洗钱义务的最特殊环节，其有效性最终决定了金融机构提交可疑交易报告的质量。 一般而言，金融机构报告可疑交易行为的有效性取决于四个因素：可疑交易的固有特征、报告规则、识别方法以及金融机构的报告意愿。可疑交易形式的多样性、过程的隐蔽性、手段的专业性、判别的主观性等特征属性，要求金融机构在追求个体利润最大化的同时还应自觉适应反洗钱形势发展需要，采取先动哲学的可疑交易报告态度，主动开展洗钱类型特征、洗钱活动规律、洗钱风险演变趋势等的研究，不断优化和创新可疑交易监测分析策略与方法，有效改变目前可疑交易报告数量庞大而情报价值较低的被动局面。 二、可疑交易监测分析的基本策略 （一）现状分析 洗钱是一种有规律的犯罪活动，并具有一些相似的异常特征。《金融机构大额交易和可疑交易报告管理办法（中国人民银行令〔2006〕第2号）》（以下简称《管理办法》）第十一条至第十三条分别要求商业银行、证券公司、保险公司等金融机构应当将共计48种交易或者行为作为可疑交易进行报告。在反洗钱工作的起步阶段，监管当局制定的这些列举式识别模式有助于经验不足的金融机构更容易识别和报告可疑交易。金融机构通常将管理办法所列举的可疑交易报告标准予以量化、编码，由识别系统根据客户业务发生的时间、次数、金额等交易数据，自动提取并直接通过“总对总”方式上报。例如，某商业银行将第十一条第一款“短期内资金分散转入、集中转出或者集中转入、分散转出，与客户身份、财务状况、经营业务明显不符”的报告标准模型化为如表1所示的8条识别规则。 事实上，管理办法所列举的可疑交易报告标准通常包括客观条件和主观分析两部分内容。另外，第十四条还规定，金融机构及其工作人员发现其他交易的金额、频率、流向、性质等有异常情形，经分析认为涉嫌洗钱的也应当向中国反洗钱监测分析中心提交可疑交易报告。由表1的模型定义可见，这些筛选规则将标准中的“短期”设定为10个自然日，将“集中与分散”的可疑特征描述为借贷方账户数的显著差异以及借贷方发生额的基本平衡。由于模型参数的刚性，以及模型定义中较少考虑客户的经营性质、经营特点、资金往来等因素，可疑交易的错误否定（将可疑交易误认定为正常交易）和错误肯定（将正常交易误认定为可疑交易）问题不可避免。显然，金融机构这种基于客观标准而导致的机械性、粗放性、防卫性报送行为违背了可疑交易报告制度设计的初衷。 （二）应对策略 从洗钱犯罪的操作手法和异常资金的归集路径看，可疑交易可能存在于金融机构的各项金融业务以及金融业务的各个环节。由于非法交易常常与合法交易交织在一起，特别是那些看似合法交易的非法交易更具有欺骗性，要求监管机构制定一个绝对而完备的可疑交易判断标准、期望金融机构识别和发现所有的可疑交易既不现实也不经济。 因此，金融机构在制定反洗钱策略时，需要合理保证与统筹兼顾可疑交易监测分析的针对性、完备性和准确性。其中，针对性是在洗钱风险评估的基础上合理调配资源，有效发现与特定严重犯罪有关的洗钱活动；完备性是金融交易监测范围应覆盖金融机构各项金融业务的各个环节，最大限度地降低错误否定的风险；准确性是在提交报告前应尽可能多地排除错误肯定，即以最少的可疑交易报告量包含尽量多的涉嫌洗钱交易。 1.实施风险管理，增强可疑交易监测分析的针对性。金融机构提供的金融产品和服务、采用的交易方式与支付手段、面对的交易客户等多种多样，对应着高低不一的洗钱风险。在可疑交易监测分析过程中如果不从内部控制上来管理洗钱风险，不辨主次地平均用力，则金融机构既会增加合规成本支出，又不利于其报告质量的整体提高。为此，金融机构首先要加强反洗钱风险管理理念与方法的教育和培训，减少执行风险为本反洗钱监管与实践的认知障碍，提高反洗钱人员的风险意识、法律政策水平和可疑交易识别能力。其次是将风险识别和评估贯穿于金融机构与客户建立业务关系以及开展交易的全过程，并按照风险发生的可能性及其影响程度等对识别的洗钱风险进行分析和排序。第三是对所有可能面临洗钱风险的业务环节制定操作风险管理政策、方法和程序，这些业务既包括传统的柜面金融业务，也包括非面对面的网上金融业务、基于第三方支付平台的结算业务等。 2.完善方法体系，保障可疑交易监测分析的完备性。金融机构应根据所监测分析领域的业务特点，优化、扩展“基于规则”识别方法，综合考虑识别手段、识别模式、识别对象、识别流程等因素，探索交易主体导向和交易行为导向的分析方法，形成多样有效的可疑交易识别方法体系。在识别手段方面，不断完善系统自动监测功能，同时强化以客户为基础的人工分析。在识别模式方面，除了将规律性规则用于交易数据过滤与识别外，还要根据对交易主体自身的行为规律特征及其周围同行的规律特征的综合比较来发现异常或排除误报。在识别对象方面，按照交易、账户、客户、组织的层次关系，构建金融交易信息的多维数据立方体，从不同的概括层次上把握可疑交易的特征。在识别流程方面，强化信息共享与分工协作，形成自下往上情报汇集和自顶向下证据确认相结合、条线式分散识别与各条线关联分析相结合的工作机制。 3.整合信息资源，提高可疑交易监测分析的准确性。基于新的反洗钱监管理念，金融机构不仅需要关注法规体系中规定的可疑交易特征描述，更需要深刻领会自主识别报告制度的实质，即在充分开展客户尽职调查的基础上判断交易的真实性与合理性。因此，金融机构一是整合在各种业务往来中获取的客户身份、资金交易、财产关系等信息资源，充分剔除由一线人员发现或由信息系统筛选但有足够理由排除的可疑交易。二是建立面向反洗钱的信息共享与信息整合机制，为识别、分辨可疑交易线索提供多渠道的信息资源，同时降低在报送跨行可疑交易时获取交易对手信息的难度。三是发挥金融行业信息管理优势，逐步实现可疑交易监测系统与客户关系管理系统或其他业务系统的功能集成与数据共享，并及时更新与补充新的洗钱交易特征、黑名单客户、高风险客户、洗钱特殊地区等信息。 三、可疑交易监测分析的技术方法 （一）方法综述 能够在众多交易信息中迅速发现、判断、认定一笔“重大涉嫌洗钱可疑交易”是反洗钱的核心工作。汤俊（2008）将反洗钱智能数据分析归结为基于场景检测和基于异常检测两类[1]。场景检测主要针对过往发生案件的一些特征进行统计，并将所得到的规律性规则用于对交易数据的过滤与识别，只要达到量化标准的上限，即认为洗钱行为“重现”而加以报警。异常检测是将客户交易放到一个交易发生的上下文环境中进行分析，其主要研究思路是通过数理统计、聚类分析、小波分析、神经网络等方法，描述用户行为模式轮廓，以此作为正常行为和异常行为的判断依据。 上述反洗钱智能数据分析方式以金融交易主体为核心，其识别与分析的依据是交易特征及历史交易特征等。关于交易主体，高增安（2007）将机构账户按照交易层、账户层、组织层、链接层进行分类[2]。类似地，张成虎、赵小虎（2009）将金融交易信息分为交易层、账户层、客户层、机构层等四种类型[3]。交易层信息是整个交易信息的基础，每笔交易记录包含交易主体、账户、时间、交易性质等丰富信息，本层面主要分析的是单条交易记录的可疑性。以账户为主体，将交易层信息进行归并，构成账户层，本层面分析的是账户所涉及到的全部交易。按照家族树（或机构结构树）来整合、聚集个人客户（或单位客户）所有账户的交易记录，形成客户层（或组织层、机构层）的交易信息。 此外，银行洗钱“黑名单”中所包含的有洗钱嫌疑账户往往彼此关联，隐蔽形成洗钱犯罪网络。在金融交易网络中，结点通常代表交易主体，带有方向及权重的边体现了交易主体之间的联系及强度。Goldberg等（2005）通过在现实世界实体层面上重构交易数据来支持FAIS系统进行复杂交易网络的分析[4]。Jedrzejek等（2009）针对贸易洗钱等金融犯罪的分析而提出了用于表示资金流动、发票单据、商品或服务的链形图[5]。针对金融交易网络分析，Xu、Chen（2004）提出了改进的最短路径算法来识别洗钱犯罪网络中的最强关联路径[6]。薛耀文等（2006）提出了在复杂金融网络中基于成本约束的效用最大化条件下智能节点洗钱路径的计算方法[7]。杨冬梅等（2007）建立并分析了金融网络中洗钱资金转移路径的可疑模型，以期分离出洗钱可疑路径集合并从中找出洗钱关键直接路径[8]。张成虎等（2009）通过图形遍历方式和金融交易权重分析策略的组合来发现交易关系异常特征[9]。 通过金融交易网络的关联分析来识别可疑及欺诈行为、发现隐藏组织结构或关联群体、模仿团队行为及预测洗钱行为等。FAIS系统中应用称为NetMap的关联分析工具来辅助发现洗钱线索。Kovalerchuk、Vityaev（2002）提出了称为混合证据关联技术，可将贸易交易数据中的多项事实证据以及领域背景知识等关联起来，以自动发现可疑的洗钱或欺诈模式[10]。 （二）方法建模 可疑交易监测分析的主要内容是金融机构以反洗钱法律法规为依据，以信息分析技术为手段，对监测范围内的金融交易实施可疑交易的在线监测与人工分析。其中，监测范围应覆盖金融机构所有可能面临洗钱风险的业务环节。在线监测指金融机构应根据所监控的业务领域和金融产品特点，实现和优化可疑交易自动识别功能。人工分析指金融机构应建立和完善可疑交易人工甄别流程，特别是对于利用技术手段筛查出的异常交易数据，须结合客户身份识别、行业特点分析及相关交易背景进行人工分析、审核和判断后才能报出，提高可疑交易报告的情报价值。 基于前文分析，可将可疑交易监测分析任务归纳为四个要素，即识别方法、交易特征、交易背景、异常交易模式。其中，识别方法有场景检测、异常检测、关联分析等三种；交易特征揭示了交易的金额、频率、流向、性质及用途；交易背景包括交易主体类型、层次结构、所在行业等背景资料及历史交易统计信息；异常交易模式刻画了不同洗钱行为的可疑交易特征，可来自于领域专家的经验总结或智能系统的自动归纳发现。可见，可疑交易监测分析就是基于交易特征与交易背景并应用特定识别方法来判断交易是否异常或可疑的过程。 为描述方便，以P：：=+表示可疑交易监测分析模式。其中，“：：=”为定义符号；“+”为可疑交易模式的并列；字母P、M、C、B分别对应了异常交易模式、识别方法、交易特征、交易背景等四个要素。各要素的典型特征值分别为：M={s-场景检测， u-异常检测， l-关联分析}，C={m-金额， f-频率， d-流向，p-性质， u-用途}，B={t-交易期间，b-背景资料， s-历史交易统计信息}。 表2的左列是银行业金融机构需要作为可疑交易进行报告的18种交易或者行为，右列是对应的可疑交易识别模式。实际上，这些分析模式是对可疑交易描述的高度抽象，如p1101的第一部分可解释为“利用场景检测法筛选出短期内交易主体在金额、频率、流向等方面呈现异常的交易”，表1的识别规则可视为该模式的实现模型；第二部分则可解释为“对于筛选出的可疑交易，利用异常检测法，综合考虑交易性质与用途、客户背景与交易历史等因素，判断其是否可疑”。 本文所提出的可疑交易监测分析模式将有助于可疑交易模型的分析、构建、实现与评价。但需要指出的是，表2给出的模式存在着表达上的模糊性和语义上的歧义性等问题。另外，尽管许多交易模型在全球都会被认定可疑，但由于各国监管要求不同，各银行的业务领域和产品不同，可疑交易模型的数量、高发领域及组合也会具有不同特点[11]。因此，下一步将重点集中在进一步拓展和细化交易特征及交易背景的要素特征上。 （责任编辑：陈薇） 参考文献： [1]汤俊.国际反洗钱智能数据分析技术综述[J].华南金融电脑，2008（8）：79-82. [2]高增安.基于交易的可疑洗钱行为模式与反洗钱对策研究[D].成都：西南交通大学，2007. [3]张成虎，赵小虎. 基于链接分析的洗钱交易识别研究[J].上海金融，2009 （8）：78-83. [4]H.G.Goldberg，R.W.H.Wong. Restructuring Transactional Data for Link Analysis in the FinCEN AI System[J]. IEEE Computer Society，2005（5）：81-85. [5]C.Jedrzejek， J.Bak. M.Falkowski. Graph Mining for Detection of a Large Class of Financial Crimes[D]. 17th International Conference on Conceptual Structures， Moscow， Russia， July 2009：26-31. [6]J.J.Xu，H.Chen.Fighting Organized Crimes： Using Shortest-path Algorithms to Identify Associations in Criminal Networks[J].Decision Support System，2004（38）：473-487. [7]薛耀文，张朋柱，范静.基于成本约束的智能洗钱效用与路径分析[J].清华大学学报（自然科学版），2006，46（S1）： 1165-1171. [8]杨冬梅，吴冲锋等.金融网络中洗钱资金转移路径的可疑模型—概率视角[J].上海管理科学，2007（6）：42-46. [9]张成虎，赵小虎. 基于数据挖掘的洗钱交易识别研究[J].统计与决策，2009（19）：123-126. [10]B.Kovalerchuk， E.Vityaev. Correlation of Complex Evidences and Link Discovery[D].The Fifth International Conference on Forensic Statistics，Venice，2002. [11]黄守成.我国金融机构可疑交易监测的有效性分析[J].海南金融，2011（3）：61-65.
摘 要：履行可疑交易报告制度是金融机构反洗钱工作的核心义务之一。可疑交易监测分析就是反洗钱义务主体在与客户开展金融交易过程中，按照反洗钱法律法规要求，识别和发现存有洗钱及相关犯罪嫌疑的异常交易的过程。本文从提高可疑交易报告质量的角度提出了保证与兼顾针对性、完备性和准确性是可疑资金监测及可疑交易线索分析的基本对策，在归纳了可疑交易监测分析方法研究文献的基础上，构建了可疑交易监测分析任务的四要素模型，将有助于可疑交易模型的分析、构建、实现与评价。 关键词：反洗钱；可疑交易报告；应对策略；分析方法 中图分类号：F832.2 文献标识码：A 文章编号：1003-9031（2012）10-0067-04 DOI：10.3969/j.issn.1003-9031.2012.10.18 一、引言 可疑交易监测分析就是反洗钱义务主体在与客户开展金融交易过程中，按照反洗钱法律法规要求，识别和发现存有洗钱及相关犯罪嫌疑的异常交易的过程。总体上说，世界各国的反洗钱制度大多数都以可疑交易或者可疑行为报告制度为中心，要求金融机构报送有洗钱迹象和可能的交易行为的有关信息。可疑交易报告是国家反洗钱工作的核心内容和重要情报来源基础，有效的可疑交易线索为司法机关启动洗钱案件调查和侦查程序提供信息支持。 从本质上讲，可疑交易是与涉嫌洗钱等犯罪相关度较高的资金交易。伴随着金融创新的多样化和电子化，洗钱分子通过金融机构实施洗钱犯罪的手段日趋复杂、转移犯罪所得的方式更加便捷。特别是随着反洗钱制度与机制的建立以及金融机构反洗钱意识与合规水平的逐步提高，洗钱者为掩饰其洗钱动机和行为，必然会不断设计和实施更加多样、复杂的洗钱手段，从而形成了一个动态的、具有自主学习和自我调适功能的自组织系统。可以说，可疑交易监测分析是金融机构履行反洗钱义务的最特殊环节，其有效性最终决定了金融机构提交可疑交易报告的质量。 一般而言，金融机构报告可疑交易行为的有效性取决于四个因素：可疑交易的固有特征、报告规则、识别方法以及金融机构的报告意愿。可疑交易形式的多样性、过程的隐蔽性、手段的专业性、判别的主观性等特征属性，要求金融机构在追求个体利润最大化的同时还应自觉适应反洗钱形势发展需要，采取先动哲学的可疑交易报告态度，主动开展洗钱类型特征、洗钱活动规律、洗钱风险演变趋势等的研究，不断优化和创新可疑交易监测分析策略与方法，有效改变目前可疑交易报告数量庞大而情报价值较低的被动局面。 二、可疑交易监测分析的基本策略 （一）现状分析 洗钱是一种有规律的犯罪活动，并具有一些相似的异常特征。《金融机构大额交易和可疑交易报告管理办法（中国人民银行令〔2006〕第2号）》（以下简称《管理办法》）第十一条至第十三条分别要求商业银行、证券公司、保险公司等金融机构应当将共计48种交易或者行为作为可疑交易进行报告。在反洗钱工作的起步阶段，监管当局制定的这些列举式识别模式有助于经验不足的金融机构更容易识别和报告可疑交易。金融机构通常将管理办法所列举的可疑交易报告标准予以量化、编码，由识别系统根据客户业务发生的时间、次数、金额等交易数据，自动提取并直接通过“总对总”方式上报。例如，某商业银行将第十一条第一款“短期内资金分散转入、集中转出或者集中转入、分散转出，与客户身份、财务状况、经营业务明显不符”的报告标准模型化为如表1所示的8条识别规则。 事实上，管理办法所列举的可疑交易报告标准通常包括客观条件和主观分析两部分内容。另外，第十四条还规定，金融机构及其工作人员发现其他交易的金额、频率、流向、性质等有异常情形，经分析认为涉嫌洗钱的也应当向中国反洗钱监测分析中心提交可疑交易报告。由表1的模型定义可见，这些筛选规则将标准中的“短期”设定为10个自然日，将“集中与分散”的可疑特征描述为借贷方账户数的显著差异以及借贷方发生额的基本平衡。由于模型参数的刚性，以及模型定义中较少考虑客户的经营性质、经营特点、资金往来等因素，可疑交易的错误否定（将可疑交易误认定为正常交易）和错误肯定（将正常交易误认定为可疑交易）问题不可避免。显然，金融机构这种基于客观标准而导致的机械性、粗放性、防卫性报送行为违背了可疑交易报告制度设计的初衷。 （二）应对策略 从洗钱犯罪的操作手法和异常资金的归集路径看，可疑交易可能存在于金融机构的各项金融业务以及金融业务的各个环节。由于非法交易常常与合法交易交织在一起，特别是那些看似合法交易的非法交易更具有欺骗性，要求监管机构制定一个绝对而完备的可疑交易判断标准、期望金融机构识别和发现所有的可疑交易既不现实也不经济。 因此，金融机构在制定反洗钱策略时，需要合理保证与统筹兼顾可疑交易监测分析的针对性、完备性和准确性。其中，针对性是在洗钱风险评估的基础上合理调配资源，有效发现与特定严重犯罪有关的洗钱活动；完备性是金融交易监测范围应覆盖金融机构各项金融业务的各个环节，最大限度地降低错误否定的风险；准确性是在提交报告前应尽可能多地排除错误肯定，即以最少的可疑交易报告量包含尽量多的涉嫌洗钱交易。 1.实施风险管理，增强可疑交易监测分析的针对性。金融机构提供的金融产品和服务、采用的交易方式与支付手段、面对的交易客户等多种多样，对应着高低不一的洗钱风险。在可疑交易监测分析过程中如果不从内部控制上来管理洗钱风险，不辨主次地平均用力，则金融机构既会增加合规成本支出，又不利于其报告质量的整体提高。为此，金融机构首先要加强反洗钱风险管理理念与方法的教育和培训，减少执行风险为本反洗钱监管与实践的认知障碍，提高反洗钱人员的风险意识、法律政策水平和可疑交易识别能力。其次是将风险识别和评估贯穿于金融机构与客户建立业务关系以及开展交易的全过程，并按照风险发生的可能性及其影响程度等对识别的洗钱风险进行分析和排序。第三是对所有可能面临洗钱风险的业务环节制定操作风险管理政策、方法和程序，这些业务既包括传统的柜面金融业务，也包括非面对面的网上金融业务、基于第三方支付平台的结算业务等。 2.完善方法体系，保障可疑交易监测分析的完备性。金融机构应根据所监测分析领域的业务特点，优化、扩展“基于规则”识别方法，综合考虑识别手段、识别模式、识别对象、识别流程等因素，探索交易主体导向和交易行为导向的分析方法，形成多样有效的可疑交易识别方法体系。在识别手段方面，不断完善系统自动监测功能，同时强化以客户为基础的人工分析。在识别模式方面，除了将规律性规则用于交易数据过滤与识别外，还要根据对交易主体自身的行为规律特征及其周围同行的规律特征的综合比较来发现异常或排除误报。在识别对象方面，按照交易、账户、客户、组织的层次关系，构建金融交易信息的多维数据立方体，从不同的概括层次上把握可疑交易的特征。在识别流程方面，强化信息共享与分工协作，形成自下往上情报汇集和自顶向下证据确认相结合、条线式分散识别与各条线关联分析相结合的工作机制。 3.整合信息资源，提高可疑交易监测分析的准确性。基于新的反洗钱监管理念，金融机构不仅需要关注法规体系中规定的可疑交易特征描述，更需要深刻领会自主识别报告制度的实质，即在充分开展客户尽职调查的基础上判断交易的真实性与合理性。因此，金融机构一是整合在各种业务往来中获取的客户身份、资金交易、财产关系等信息资源，充分剔除由一线人员发现或由信息系统筛选但有足够理由排除的可疑交易。二是建立面向反洗钱的信息共享与信息整合机制，为识别、分辨可疑交易线索提供多渠道的信息资源，同时降低在报送跨行可疑交易时获取交易对手信息的难度。三是发挥金融行业信息管理优势，逐步实现可疑交易监测系统与客户关系管理系统或其他业务系统的功能集成与数据共享，并及时更新与补充新的洗钱交易特征、黑名单客户、高风险客户、洗钱特殊地区等信息。 三、可疑交易监测分析的技术方法 （一）方法综述 能够在众多交易信息中迅速发现、判断、认定一笔“重大涉嫌洗钱可疑交易”是反洗钱的核心工作。汤俊（2008）将反洗钱智能数据分析归结为基于场景检测和基于异常检测两类[1]。场景检测主要针对过往发生案件的一些特征进行统计，并将所得到的规律性规则用于对交易数据的过滤与识别，只要达到量化标准的上限，即认为洗钱行为“重现”而加以报警。异常检测是将客户交易放到一个交易发生的上下文环境中进行分析，其主要研究思路是通过数理统计、聚类分析、小波分析、神经网络等方法，描述用户行为模式轮廓，以此作为正常行为和异常行为的判断依据。 上述反洗钱智能数据分析方式以金融交易主体为核心，其识别与分析的依据是交易特征及历史交易特征等。关于交易主体，高增安（2007）将机构账户按照交易层、账户层、组织层、链接层进行分类[2]。类似地，张成虎、赵小虎（2009）将金融交易信息分为交易层、账户层、客户层、机构层等四种类型[3]。交易层信息是整个交易信息的基础，每笔交易记录包含交易主体、账户、时间、交易性质等丰富信息，本层面主要分析的是单条交易记录的可疑性。以账户为主体，将交易层信息进行归并，构成账户层，本层面分析的是账户所涉及到的全部交易。按照家族树（或机构结构树）来整合、聚集个人客户（或单位客户）所有账户的交易记录，形成客户层（或组织层、机构层）的交易信息。 此外，银行洗钱“黑名单”中所包含的有洗钱嫌疑账户往往彼此关联，隐蔽形成洗钱犯罪网络。在金融交易网络中，结点通常代表交易主体，带有方向及权重的边体现了交易主体之间的联系及强度。Goldberg等（2005）通过在现实世界实体层面上重构交易数据来支持FAIS系统进行复杂交易网络的分析[4]。Jedrzejek等（2009）针对贸易洗钱等金融犯罪的分析而提出了用于表示资金流动、发票单据、商品或服务的链形图[5]。针对金融交易网络分析，Xu、Chen（2004）提出了改进的最短路径算法来识别洗钱犯罪网络中的最强关联路径[6]。薛耀文等（2006）提出了在复杂金融网络中基于成本约束的效用最大化条件下智能节点洗钱路径的计算方法[7]。杨冬梅等（2007）建立并分析了金融网络中洗钱资金转移路径的可疑模型，以期分离出洗钱可疑路径集合并从中找出洗钱关键直接路径[8]。张成虎等（2009）通过图形遍历方式和金融交易权重分析策略的组合来发现交易关系异常特征[9]。 通过金融交易网络的关联分析来识别可疑及欺诈行为、发现隐藏组织结构或关联群体、模仿团队行为及预测洗钱行为等。FAIS系统中应用称为NetMap的关联分析工具来辅助发现洗钱线索。Kovalerchuk、Vityaev（2002）提出了称为混合证据关联技术，可将贸易交易数据中的多项事实证据以及领域背景知识等关联起来，以自动发现可疑的洗钱或欺诈模式[10]。 （二）方法建模 可疑交易监测分析的主要内容是金融机构以反洗钱法律法规为依据，以信息分析技术为手段，对监测范围内的金融交易实施可疑交易的在线监测与人工分析。其中，监测范围应覆盖金融机构所有可能面临洗钱风险的业务环节。在线监测指金融机构应根据所监控的业务领域和金融产品特点，实现和优化可疑交易自动识别功能。人工分析指金融机构应建立和完善可疑交易人工甄别流程，特别是对于利用技术手段筛查出的异常交易数据，须结合客户身份识别、行业特点分析及相关交易背景进行人工分析、审核和判断后才能报出，提高可疑交易报告的情报价值。 基于前文分析，可将可疑交易监测分析任务归纳为四个要素，即识别方法、交易特征、交易背景、异常交易模式。其中，识别方法有场景检测、异常检测、关联分析等三种；交易特征揭示了交易的金额、频率、流向、性质及用途；交易背景包括交易主体类型、层次结构、所在行业等背景资料及历史交易统计信息；异常交易模式刻画了不同洗钱行为的可疑交易特征，可来自于领域专家的经验总结或智能系统的自动归纳发现。可见，可疑交易监测分析就是基于交易特征与交易背景并应用特定识别方法来判断交易是否异常或可疑的过程。 为描述方便，以P：：=+表示可疑交易监测分析模式。其中，“：：=”为定义符号；“+”为可疑交易模式的并列；字母P、M、C、B分别对应了异常交易模式、识别方法、交易特征、交易背景等四个要素。各要素的典型特征值分别为：M={s-场景检测， u-异常检测， l-关联分析}，C={m-金额， f-频率， d-流向，p-性质， u-用途}，B={t-交易期间，b-背景资料， s-历史交易统计信息}。 表2的左列是银行业金融机构需要作为可疑交易进行报告的18种交易或者行为，右列是对应的可疑交易识别模式。实际上，这些分析模式是对可疑交易描述的高度抽象，如p1101的第一部分可解释为“利用场景检测法筛选出短期内交易主体在金额、频率、流向等方面呈现异常的交易”，表1的识别规则可视为该模式的实现模型；第二部分则可解释为“对于筛选出的可疑交易，利用异常检测法，综合考虑交易性质与用途、客户背景与交易历史等因素，判断其是否可疑”。 本文所提出的可疑交易监测分析模式将有助于可疑交易模型的分析、构建、实现与评价。但需要指出的是，表2给出的模式存在着表达上的模糊性和语义上的歧义性等问题。另外，尽管许多交易模型在全球都会被认定可疑，但由于各国监管要求不同，各银行的业务领域和产品不同，可疑交易模型的数量、高发领域及组合也会具有不同特点[11]。因此，下一步将重点集中在进一步拓展和细化交易特征及交易背景的要素特征上。 （责任编辑：陈薇） 参考文献： [1]汤俊.国际反洗钱智能数据分析技术综述[J].华南金融电脑，2008（8）：79-82. [2]高增安.基于交易的可疑洗钱行为模式与反洗钱对策研究[D].成都：西南交通大学，2007. [3]张成虎，赵小虎. 基于链接分析的洗钱交易识别研究[J].上海金融，2009 （8）：78-83. [4]H.G.Goldberg，R.W.H.Wong. Restructuring Transactional Data for Link Analysis in the FinCEN AI System[J]. IEEE Computer Society，2005（5）：81-85. [5]C.Jedrzejek， J.Bak. M.Falkowski. Graph Mining for Detection of a Large Class of Financial Crimes[D]. 17th International Conference on Conceptual Structures， Moscow， Russia， July 2009：26-31. [6]J.J.Xu，H.Chen.Fighting Organized Crimes： Using Shortest-path Algorithms to Identify Associations in Criminal Networks[J].Decision Support System，2004（38）：473-487. [7]薛耀文，张朋柱，范静.基于成本约束的智能洗钱效用与路径分析[J].清华大学学报（自然科学版），2006，46（S1）： 1165-1171. [8]杨冬梅，吴冲锋等.金融网络中洗钱资金转移路径的可疑模型—概率视角[J].上海管理科学，2007（6）：42-46. [9]张成虎，赵小虎. 基于数据挖掘的洗钱交易识别研究[J].统计与决策，2009（19）：123-126. [10]B.Kovalerchuk， E.Vityaev. Correlation of Complex Evidences and Link Discovery[D].The Fifth International Conference on Forensic Statistics，Venice，2002. [11]黄守成.我国金融机构可疑交易监测的有效性分析[J].海南金融，2011（3）：61-65.