反洗钱交易行为监控模型分析.docVIP

反洗钱交易行为监控模型分析

针对目前洗钱交易行为的较低检测率的问题，通过对RadialBasisFunction（简称RBF）神经网络技术的研究，提出基于APC-II和RLS的面向反洗钱的RBF神经网络模型，并通过分析与研究加以实现。RBF神经网络有较低的误检率和更高的检测率。

标签：洗钱交易；神经网络；APC-III；RLS

1引言

当今社会面临着一个日益严重的犯罪活动——洗钱活动。洗钱行为顾名思义就是通过一些手段将非法收入合法化，目的是逃避法律的制裁。洗钱行为目前已经严重威胁到全社会的安全，也势必会影响到全球经济的发展。增强对洗钱犯罪活动的治理是目前金融工作中非常重要的的一项工作。

金融数据随着信息技术的飞速发展呈现出爆炸性的增长，但是当前的反洗钱技术却表现的十分落后，尤其是我国对金融犯罪的治理仍然主要是人为干预。根据当前计算机信息技术的发展，可以了解到利用RBF神经网络对数据进行持续性计算，提高反洗钱的智能化水平，帮助提高反洗钱手机情况和过程分析的技术水平。基于RBF神经网络提出的反洗钱行为监测的计算机模型，进而提供了新的办法来处理可疑交易和大额数据。

2国内外洗钱交易监控研究发展趋势

在20世纪30年代随着洗钱行为的出现，欧洲国家开始对反洗钱进行描述性探讨，但20世纪70年代才开始真正意义上的反洗钱研究。尤其是9.11事件之后，国外金融领域有关反洗钱的理论研究更加深入。具有代表性的是美国的FAIS系统和澳大利亚的TRAQ系统。西方国家的反洗钱系统已经经历了三代，有基于客户行为模式识别可疑交易监控系统、欺诈扫描仪、基于智能代理技术整合神经网络等各项技术的分布式反洗钱系统。

我国的现行反洗钱交易数据报告也基本采用可疑和大额交易报告制度和了解客户制度这两种模式。在中国反洗钱这个课题起步很晚，但是反洗钱这个问题非常复杂，涉及的范围广泛，所以我国一直在探索反洗钱问题。国内对于洗钱犯罪的防范主要是建立法律法规和交易数据监控。反洗钱监测工作的落后严重制制约了我国反洗钱工作的质量和效率。

3洗钱的起源和定义

洗钱一词最初来源于是美国。一个犯罪团伙，开了一个洗衣店，通过把洗衣的合法所得和犯罪的非法所得一同向税务机关申报，从而将非法所得合法化。法律上洗钱是指犯罪非法所得，包括通过恐怖组织、破坏金融秩序、诈骗以及贪污等的所得，通过一系列方式，使这些其合法化。金融上犯罪分子通过媒介，将犯罪活动资金通一系列金融操作等进行漂洗，来掩盖违法性质的行为。洗钱犯罪活动的与日俱增，现在洗钱行为中有非法资金合法化，同样也有合法资金非法化。洗钱行为的分类如图1所示。

图1洗钱行为的分类4基于RBF神经网络的反洗钱交易行为识别研究

4.1基于RBF反洗钱交易行为识别

洗钱行为从本质上讲是模式识别和分类的问题，具有良好非线性学习能力的人工神经网络能够处理复杂的模式，并且还能进行记忆、推测等功能，人工网络的实时性非常强，无需建立数学模型，可以这么说神经网络是特别适合可疑交易行为识别的。

根据对洗钱行为的分析能够发现，其具有多变性，需要采取的技术具有很好的适应性，来适应其不断发生的变化，只有这样才能降低分析中的误报率，RBF神经网络恰好具有这些特性，其不仅解决了非线性问题，还能使得训练样本保存到神经元当中，通过简单计算来解决网络输出加权值。

RBF洗钱行为识别是通过对洗钱案例数据的训练学校和训练学习以往经验，利用神经网络内部的连接权值表示理应学习的洗钱辨别知识，目的是做到对未知样本进行分类。RBF洗钱行为识别联想记忆、相似归纳和模式匹配三种强大的能力。利用本身的神经元不断的对训练数据学习，从而实现复杂的非线性映射，建立出不同的模型对资金流动进行揭示，分析并制定出最有利的反洗钱方案，帮助相关部门提高反洗钱的情报收集智能化水平。

4.2研究RBF神经网络结构

RBF神经网络克服了RB神经网络的两个主要缺点，隐节点无法确定和训练时间普遍较长的问题。RBF神经网络描述如下：

x∈Rpφ（·）h∈Rmwjy∈Rn（1）

yj-f（x）=w0+∑mi=1wj（‖x-ci‖），i=1，2，…，n（2）

式（1）和式（2）中，x→i（x）是输入层，其主要是实现了非线性的映射，i（x）→yj是输出层，其主要是实现了线性的映射，wj表示的权值，主要为隐含层权值与输出层权值，‖·‖表示欧氏范式。

（‖x-ci‖）=exp（-‖x-ci‖2σ2i），i=1，2，…，m

1，i=0

（3）

式（3）中，ci表示隐节点中心中的第i个，σi表示参数，这个参数是控制Gaussian函数衰减快慢的，m表示隐含层中节点的个数。RBF神经网络结构如图2所示。

图2RBF结构图5建立基于RBF的反洗钱行为监控模型

通过交易数据信息与客户信息的调查和分析，从两个维度来判断金融交