聚类分析与范例推理在反洗钱中应用.docVIP

聚类分析与范例推理在反洗钱中应用 　　摘要：本文以数据挖掘技术在可疑金融交易识别中的应用现状为铺垫，探讨了聚类分析和范例推理技术在反洗钱中的应用。在分析数据挖掘技术运用于可疑金融交易识别的基础上。对我国的可疑金融交易识别研究提出浅见，希望对我国的反洗钱信息系统的建设有所裨益。 　　关键词：反洗钱；数据挖掘；聚类分析；范例推理 　　 　　反洗钱的主要工作是要从可疑金融交易信息中识别可能隐藏着洗钱犯罪交易的线索，从而在资金交易领域筑起洗钱犯罪的屏障。利用科学的信息技术手段已经成为各国金融机构打击洗钱犯罪的重要手段。如何从海量的金融交易数据中有效识别可疑金融交易成为反洗钱工作能否顺利开展的关键问题。数据挖掘作为一门新兴的数据处理技术，能够从海量数据中提取出有用知识，已经越来越受到人们广泛的关注。本文分析了数据挖掘技术在可疑金融交易识别中的应用现状，并探讨了范例推理技术和聚类分析在反洗钱中的应用，为数据挖掘技术在可疑金融交易识别中的应用提供新的途径。 　　 　　一、数据挖掘在可疑金融交易识别中的应用现状 　　 　　所谓数据挖掘(Data Mining)，是指从大量的数据中发现并抽取隐含的、未知的、有潜在应用价值的知识过程。数据挖掘的目的是为决策者提供有效的决策支持。面对成千上万的金融交易报告数据。如何利用数据挖掘技术识别可疑金融交易是反洗钱工作中的关键问题。目前，已经应用在可疑金融交易识别中的数据挖掘技术主要包括孤立点分析(Outlieranmysis)、序列模式挖掘(Sequential pattern mining)、链接分析技术(Link Analysis)、决策树技术(Classifi-cation)等。 　　结合洗钱行为的异常特点，运用数据挖掘技术可以使用孤立点分析来检测异常资金量的转移；序列模式挖掘也是反洗钱技术中的一种选择，它可以用于分析具体一段时间内具体个人的行为，并可能得出异常访问模式的特征；链接分析可以从大量不同类型的目标中找出其关联关系，其目标包括自然人、银行账号、企业、电汇和现金存款，找出它们的联系并显示出合法活动和非法活动的关系图：决策树技术也是一种比较好的选择方案，它可??据先前规定的可疑交易数据的分类规则对各种报告数据进行分类，以树状的决策结构显示出来。该技术得出的结果可为分析者提供一系列彼此相互分离的独立路径，从而为分析者提供一个推理框架，帮助其摸清整个洗钱活动的过程，并了解某一具体的洗钱操作在整个洗钱链条中所起到的特殊作用。总之，这些数据挖掘技术可以识别出一些重要的活动关系和模式，有助于调查人员进一步关注可疑金融交易并进行深入调查。 　　一些发达国家在利用数据挖掘进行反洗钱系统建设方面已经取得了一定成绩，他们不仅建立了专门分析和收集情报的金融情报中心，同时还建立了功能强大的反洗钱系统。例如，美国金融犯罪执法网络(Fi―nancial Crimes Enforcement Network，FinCEN)的-FAIS(FinCEN Artificial Intelligence system)系统利用数据挖掘的一些算法如聚类分析等技术，实现对可疑交易报告进行分析和评估。澳大利亚交易分析与报告中心(Australian Transaction Reports and Analysis Centre，AUSTRAC)开发的ScreenlT系统，通过运用数据挖掘中的多种技术实现可疑交易报告自动筛选。其他地区如欧盟、加拿大应用数据挖掘技术进行可疑金融交易识别也比较成熟。在我国，中国人民银行于2004年4月成立了反洗钱监测分析中心建立支付交易监测系统，国家外汇管理局也于2005年开发了反洗钱信息辅助核查平台。但总体而言，我国反洗钱系统建设尚处于起步阶段。利用信息技术进行可疑金融交易识别的水平仍然较低，未能充分运用数据挖掘技术识别可疑金融交易信息。 　　 　　二、数据挖掘前沿技术的可疑金融交易识别研究 　　 　　洗钱犯罪日新月异，识别可疑金融交易信息的技术也必须不断改进以适应变化。目前，反洗钱应用中的数据挖掘技术从孤立点分析、序列模式挖掘、链接分析、决策树等传统技术，逐步转向数据挖掘中的一些新技术如聚类分析、基于范例推理等，在此分别探讨聚类分析和基于范例推理在可疑金融交易识别中的应用情况。 　　1、聚类分析技术的可疑金融交易识别研究。 　　聚类分析(Clustering)通过将数据对象分成多个类或簇，实现在同一个类中的对象之间具有较高的相似度，而不同类中的对象之间差别较大。聚类分析在聚类过程中可以选取不同属性和不同聚类方法，实现将具有相似交易行为的个人或者企业的账户聚为一类。针对个人和企业的金融交易数据，选取不同的数据属性进行多角度分析，并从中识别出可疑交易数据，有助于调查人员作深入