巴曙松 陳旭 朱元倩

摘要：第三方支付、互聯(lián)網金融的蓬勃發(fā)展在推動經濟社會發(fā)展的同時，也使得洗錢活動變得更加便捷、迅速和隱蔽。在此背景下，傳統(tǒng)的監(jiān)管手段已不足以應對日趨復雜的洗錢活動，監(jiān)管科技隨之快速發(fā)展并得到廣泛應用。文章從洗錢活動的現(xiàn)狀分析出發(fā)，分析當下反洗錢監(jiān)管中的不足，從而引出監(jiān)管科技的概念;緊接著文章通過對各國監(jiān)管科技賦能反洗錢的梳理和綜述，結合目前應用中的不足，就反洗錢這一領域對監(jiān)管科技的未來做出展望與建議。

關鍵詞：反洗錢;監(jiān)管科技;數(shù)據(jù)收集;數(shù)據(jù)處理;KYC;區(qū)塊鏈

中圖分類號：F83? 文獻標志碼：A? ? 文章編號：1001-862X（2020）04-0005-008

洗錢，顧名思義就是將非法收入合法化。本身具備方式多樣、過程復雜、對象特定等特點的傳統(tǒng)洗錢行為，在互聯(lián)網技術迅速發(fā)展、全球金融網絡互聯(lián)互通的快車道上，正變得更加迅速、隱蔽、低成本和全球化。在這種趨勢中，洗錢活動給整個社會帶來了較強的負外部性，如滋生腐敗、使市場失靈等。近年來，全球范圍內的洗錢規(guī)模逐年遞增。根據(jù)金融行動特別工作組（FATF）的研究，1988年全球洗錢總額約占全球GDP的2%，1996年全球洗錢總額約占全球GDP的3.5%，2005年全球洗錢總額約占全球GDP的3%。[1]根據(jù)IMF的推算，目前全球的洗錢總額占全球GDP比重已達到5%。由此可見，洗錢行為對社會的不良影響正在逐步擴大，因此，研究如何加強對洗錢行為的監(jiān)管，特別是如何運用監(jiān)管科技的手段提升反洗錢水平具有重要意義。

一、研究背景

巴塞爾銀行監(jiān)管委員會從監(jiān)管者的角度在1988年對洗錢下的定義為：“銀行和其他金融機構可能在不知情的情況下被用作轉移或儲存來自犯罪收益的中介。犯罪分子利用金融系統(tǒng)轉移資金，掩蓋資金的來源和受益人，以及通過安全存儲設施保存銀行票據(jù)，這些行為一般稱之為洗錢?！保?）

洗錢活動給整個社會帶來巨大的負外部性，因此反洗錢一直是學者們研究的熱點問題。從國家層面上看，洗錢行為影響了一個國家的整體形象，不利于營造良好的投資環(huán)境吸引外資。從貨幣政策當局的角度看，洗錢行為增加了貨幣當局對資金流動的監(jiān)管難度，從而導致貨幣政策有效性降低。從金融機構的角度看，洗錢行為使得金融機構的合規(guī)成本增加，信譽受損。與此同時，頻繁的洗錢行為使得監(jiān)管機構加大了對金融機構的監(jiān)管力度，這在一定程度上阻礙了金融機構的金融創(chuàng)新。從社會層面看，洗錢行為多與賭博、販毒等違法犯罪行為相聯(lián)系，猖獗的洗錢活動往往會助推這些犯罪行為的發(fā)生，影響社會穩(wěn)定。

面對日益嚴重的洗錢行為，學者們主要從監(jiān)管機構和金融機構的角度來研究反洗錢。從監(jiān)管端來看，首要和基礎問題是立法。盧建平（1998）[2]從犯罪學的角度分析了洗錢行為，并介紹了歐洲國家反洗錢法的一些基本內容以及我國刑法中反洗錢罪的適用問題。劉閩浙（2017）[3]分析了《中華人民共和國反洗錢法》存在的一些問題，包括部分條款適用范圍過窄、賦予人民銀行（主管反洗錢的行政機構）權利不足、對金融機構反洗錢義務規(guī)定不全面等。除了法律外，學者們還指出監(jiān)管機構在反洗錢監(jiān)管工作中面臨的一些挑戰(zhàn)。麻文奇（2007）[4]指出基層央行在反洗錢監(jiān)管工作中存在反洗錢約束機制不健全、技術手段落后、經費缺失等問題。吳婧（2019）[5]指出基層央行在反洗錢監(jiān)管工作中存在組織體系力量薄弱、監(jiān)管隊伍素質良莠不齊等問題。從合規(guī)端來看，金融機構在反洗錢合規(guī)義務上還存在較多問題。張貞樂（2006）[6]使用阿克洛夫模型證明銀行反洗錢工作存在嚴重的信息不對稱問題，洗錢者掌握的信息多于反洗錢者，使金融機構反洗錢工作難度加大。丁玉萍、李丹萍（2019）[7]指出金融機構在客戶身份識別上存在的具體問題包括客戶身份基本信息登記不準確、辨別客戶身份信息的難度較大、對客戶持續(xù)識別過程重視不足等。

隨著大數(shù)據(jù)分析、人工智能、區(qū)塊鏈等高新技術在金融市場中的廣泛運用，“監(jiān)管科技”的概念引起了學者們的重點關注。傅強（2018）[8]35指出監(jiān)管科技的發(fā)展主要受兩方面因素推動，一是金融創(chuàng)新背景下，監(jiān)管機構亟須增強監(jiān)管能力、提高監(jiān)管效率;二是金融強監(jiān)管的趨勢下，金融機構亟須提高合規(guī)效率、降低合規(guī)成本。何海峰等（2018）[9]66、76界定了監(jiān)管科技的內涵，認為監(jiān)管科技是監(jiān)管端使用的技術與合規(guī)端使用技術的結合，并指出未來監(jiān)管科技將運用于金融監(jiān)管的全鏈條。蔚趙春，徐劍剛（2017）[10]研究指出監(jiān)管科技能夠為驅動金融創(chuàng)新并為金融創(chuàng)新保駕護航。然而，目前對于監(jiān)管科技的研究大多處于“宏觀層面”，多著眼于監(jiān)管科技的內涵、發(fā)展路徑以及應用于整體金融監(jiān)管的情況，關于監(jiān)管科技應用在金融細分領域的文章還較少。本文聚焦于監(jiān)管科技在反洗錢領域的應用，從當前反洗錢監(jiān)管中存在的問題出發(fā)，結合各國監(jiān)管科技在反洗錢領域應用的經驗，分析監(jiān)管科技在反洗錢方面的優(yōu)勢，最后對監(jiān)管科技未來的發(fā)展作出展望。

二、反洗錢監(jiān)管面臨的挑戰(zhàn)

伴隨反洗錢監(jiān)管的深入實踐，一些問題也逐漸暴露出來，主要體現(xiàn)在客戶身份識別不足、數(shù)據(jù)獲取和分析能力有限、機構間協(xié)調程度不高等多個方面。特別表現(xiàn)在新形勢下，經濟發(fā)展和技術進步使得交易數(shù)據(jù)量大幅增加，涉及的交易主體更加多樣，反洗錢監(jiān)管機構的數(shù)據(jù)收集和處理能力受到挑戰(zhàn)。

（一）金融機構客戶身份識別不足，線上操作加大識別難度

“客戶身份識別制度”是反洗錢工作的基本制度之一，也是反洗錢的第一道關口。“客戶身份識別”要求金融機構對客戶和交易做出詳細的了解，并作持續(xù)關注，從而判斷交易背后是否蘊藏著洗錢的風險。目前世界上主要國家都以立法的形式要求金融機構進行“客戶身份識別”。比如美國的《金融機構顧客盡職調查要求》、英國的《反洗錢條例》、瑞士的《反洗錢詐騙法》以及我國的《中華人民共和國反洗錢法》等。但是在實踐過程中，金融機構往往無法完全遵循法律的規(guī)定，從而受到處罰。2018年中國人民銀行對于違反反洗錢規(guī)定的368家義務金融機構作出了行政處罰，其中因為沒有按規(guī)定履行客戶身份識別義務的罰單占總罰單量的近70%。2014年，迪拜金融服務管理局（DFSA）因E*TRADE證券公司沒有充分了解客戶的資金來源以及缺乏對客戶的風險評估機制而對其罰款30萬美元。印度儲備銀行（RBI）在2019年對其國內的4家銀行總計開出1750萬盧比的罰單，緣由是這4家銀行沒有完全遵守KYC（了解你的客戶）的規(guī)定。

金融機構頻繁違反反洗錢KYC相關規(guī)定，主要原因有以下幾點：一是客戶信息收集及核實渠道有限。金融機構獲取客戶信息的途徑主要包括客戶提供的信息、公開信息平臺中的信息以及本機構留存的交易記錄等，但無法獲取其他金融機構以及政府相關機構存有的客戶信息。同時，金融機構沒有有效的手段去核實用戶常住地、職業(yè)這類信息的準確性，與客戶間存在較強的信息不對稱。在互聯(lián)網金融領域，這種情形更加嚴峻。在非面對面的情況下，金融機構更難以核實客戶上傳的身份證件等各項信息。甚至會有不法分子利用他人身份從事非法洗錢活動。二是成本過高，金融機構動力不足。從直接成本上看，金融機構KYC成本主要包括合規(guī)人工成本和第三方信息收集成本。湯森路透（2）（Thomson Reuters）2017年對全球多家金融機構的調查顯示，受訪金融機構的直接KYC年均成本高達4800萬美元，并且預計這一數(shù)字在未來一年將會增加11%。其中年收入超過100億美元的金融機構2017年的KYC成本達到1.5億美元，預計未來一年會增長13%。此外，金融機構嚴格執(zhí)行KYC標準會給金融機構帶來巨大的機會成本。如跨國公司會與多國銀行合作，然而不同的銀行所要求提供的KYC材料不同，這給跨國公司帶來巨大的困擾。因此跨國公司會選擇更換合作銀行來節(jié)省時間和降低成本。根據(jù)湯森路透2017年的調研，12%的受訪公司因KYC的原因更換了合作銀行。

（二）監(jiān)管機構數(shù)據(jù)獲取數(shù)量及質量有限，復雜多樣金融交易增加數(shù)據(jù)獲取挑戰(zhàn)

監(jiān)管機構獲取金融市場的交易數(shù)據(jù)及交易報告是反洗錢監(jiān)管的核心步驟。目前各國監(jiān)管機構對于金融市場上的交易數(shù)據(jù)獲取主要來自金融機構的主動匯報。比如在英國，金融機構在發(fā)現(xiàn)可疑交易時，必須向全國罪案情報中心（NCIS）報告。但是，在現(xiàn)行的法律規(guī)定下，金融機構作為義務機構向監(jiān)管機構報告可疑交易及可疑數(shù)據(jù)存在兩方面問題：一是數(shù)據(jù)和報告的數(shù)量問題，即全面性問題;二是數(shù)據(jù)和報告的質量問題，即有效性問題。從報告的全面性來看，洗錢監(jiān)測系統(tǒng)的搭建及人工成本較高，影響了金融機構報告的積極性，監(jiān)管機構獲取的數(shù)據(jù)全面性較低。從報告的有效性上看，金融機構提交報告的內容是大額交易和可疑交易，那么對于大額交易和可疑交易的界定將直接影響報告的有效性。因為隨著經濟的發(fā)展以及金融活動廣度及深度的增加，自然人以及法人的正常單筆交易額度會上升，交易模式會變復雜，法律中規(guī)定的情形可能不再是可疑交易，因此金融機構遞交的可疑報告有效性將會降低。根據(jù)郭宏亮（2013）[11]的研究數(shù)據(jù)，2011年，大連市金融機構報告人民幣可疑交易26.39萬份、外匯可疑交易報告1.01萬份，但同期重點可疑交易報告僅為9份，重點可疑交易報告份數(shù)僅占可疑交易報告份數(shù)的0.0033%，可見其有效性之低。此外，伴隨互聯(lián)網及移動支付的發(fā)展，金融產品變得復雜多樣，不法分子可以通過多種手段在不形成可疑交易的情形下從事洗錢活動。因此，在現(xiàn)行的檢測標準和手段下，很多洗錢活動難以被發(fā)現(xiàn)和及時制止。

（三）監(jiān)管機構數(shù)據(jù)分析能力有限，海量多維數(shù)據(jù)加大分析難度

海量的數(shù)據(jù)和落后的數(shù)據(jù)處理技術給監(jiān)管機構帶來巨大挑戰(zhàn)。一方面，反洗錢監(jiān)管機構每年會收到來自義務金融機構的大量報告，包括可疑報告和大額交易報告。中國人民銀行2018年反洗錢報告（3）顯示：“2018年中國反洗錢監(jiān)測分析中心共接收報告機構報送的大額交易報告9.19億份，可疑交易報告160.20萬份?！绷硪环矫?，目前反洗錢監(jiān)管機構數(shù)據(jù)分析、數(shù)據(jù)挖掘技術通常是基于結構化、關系型的數(shù)據(jù)，這對數(shù)據(jù)類型要求較高。然而未來更多的反洗錢數(shù)據(jù)會以半結構化和非結構化的形式存在，如公司的報表、圖片和視頻等。這就要求監(jiān)管機構拓寬其數(shù)據(jù)分析類型的廣度。同時，現(xiàn)階段監(jiān)管機構的數(shù)據(jù)分析通常是基于因果關系的推理，對于數(shù)據(jù)間更復雜的聯(lián)系無法辨別，數(shù)據(jù)分析深度有限。

（四）機構間缺乏信息協(xié)同效應，數(shù)據(jù)壁壘引發(fā)互通困局

如前所述，洗錢活動經歷三個階段，放置、培植和融合。從放置階段開始，非法資金進入金融機構;培植階段，非法資金由整化散，進入多個不同的賬戶;最后融合階段，非法資金進入正常的商業(yè)活動洗白，資金的流動涉及多家金融機構、工商企業(yè)甚至是政府機構。因此，不同機構間的有效協(xié)作、數(shù)據(jù)共享對于反洗錢工作來說具有重大意義。

當下，由于機構間的數(shù)據(jù)保護以及數(shù)據(jù)本地化，機構間的信息溝通并不通暢，反洗錢信息利用程度不高。一方面，在大數(shù)據(jù)的背景下，金融數(shù)據(jù)成為金融機構的重要戰(zhàn)略“資產”，不同金融機構之間存在“數(shù)據(jù)壁壘”，相互間的數(shù)據(jù)共享較為困難。另一方面，政府機構間也存在“信息孤島”情況。如中國海關與中國人民銀行間共享反洗錢信息的程度并不高，在實務中海關很少主動向央行通報洗錢線索。因此，機構間信息協(xié)同效應的缺乏加大了反洗錢工作的難度。

三、監(jiān)管科技賦能反洗錢的國際經驗

監(jiān)管科技最早是由Regulation Technology兩個單詞組合而來，其具體的定義目前還沒有統(tǒng)一的認識。在業(yè)界，金融穩(wěn)定協(xié)會（Financial Stability Institute，2019）（4）將監(jiān)管科技定義為：“金融監(jiān)管當局使用的由新技術支持的高級的數(shù)據(jù)收集和分析工具總稱?！眹H金融協(xié)會（Institute of International Finance，2016）（5）認為監(jiān)管科技是“能夠高效解決監(jiān)管和合規(guī)要求的新技術”。巴塞爾委員會（2018）（6）認為，監(jiān)管科技主要是指監(jiān)管主體運用技術手段驅動的監(jiān)管創(chuàng)新。在學界，楊東（2018）[12]認為狹義的Regtech僅僅指金融機構內部的合規(guī)程序通過使用科技的輔助手段變得更加有效和高效。何海峰等（2018）[9]66認為，監(jiān)管科技在監(jiān)管端稱為監(jiān)管科技，在金融機構合規(guī)端稱為合規(guī)科技。傅強（2018）[8]34將監(jiān)管科技界定為“金融機構、科技企業(yè)和監(jiān)管當局運用新技術提升合規(guī)管理和金融監(jiān)管的效能”。顯然，各個監(jiān)管機構和學者對于監(jiān)管科技的定義區(qū)別主要在于是否包含“合規(guī)科技”，即被監(jiān)管的金融機構為達到監(jiān)管要求，降低合規(guī)成本而采用的新技術。本文認為監(jiān)管科技應該包含兩層含義：一是監(jiān)管機構應用新技術提升監(jiān)管能力和效率，二是金融機構利用新技術監(jiān)控違法金融活動以及滿足監(jiān)管要求。

監(jiān)管科技以其特有的優(yōu)勢賦能金融機構和金融監(jiān)管機構。監(jiān)管科技的優(yōu)點包括：（1）數(shù)字化，以數(shù)據(jù)為基石，挖掘和利用數(shù)據(jù)。（2）實時性，能夠實時監(jiān)測金融活動。（3）共享性，能夠使數(shù)據(jù)在監(jiān)管機構、金融機構之間共享，促進數(shù)據(jù)高效利用。（4）智能化，應用區(qū)塊鏈、機器學習等高新技術穿透監(jiān)管和識別風險。從金融市場電子化開始，到當前大數(shù)據(jù)分析、人工智能、區(qū)塊鏈等高新技術在金融市場中的廣泛運用，金融市場經歷了快速發(fā)展時期。在此期間，金融產品不斷更迭出新，金融業(yè)態(tài)不斷變化，金融科技迅速發(fā)展，隨之而來的也是金融風險的劇增。在此背景下，傳統(tǒng)手段已無法滿足監(jiān)管要求和合規(guī)要求，監(jiān)管科技隨之迅速發(fā)展，并在反洗錢領域產生了顯著的成效。

（一）賦能客戶身份識別

如前所述，金融機構對于個人客戶的地址、常住地、職業(yè)等信息難以有效核實。在這種情況下，大數(shù)據(jù)及文本挖掘技術能夠較好地解決這類問題。以用戶常住地信息為例，用戶的常住地信息是判斷用戶身份和行為是否異常的基礎信息之一。通過大數(shù)據(jù)收集和文本挖掘并結合客戶在本機構的其他業(yè)務信息，金融機構可以采集到客戶的手機號注冊地、收貨地址、智能硬件的IP地址等信息。然后對收集到的數(shù)據(jù)進行清洗，去除無用信息，最后對得到的信息建立模型，進而推斷客戶的常住地信息。[13]具體模型可以根據(jù)實際收集到的有效信息進行調整。渣打銀行（Standard Chartered）與Instabase（美國一家科技公司）合作，使用Instabase提供的機器學習和自然語言處理技術來加速其對企業(yè)客戶的盡職調查。這些技術可以從公開的信息中查詢與該企業(yè)客戶相關的信息，包括媒體上的信息，法院的制裁信息等，從而判斷公司的風險等級，完成盡職調查。非洲最大的銀行標準銀行（Standard Bank）和花旗銀行（Citibank）也采取了相似的技術，大大縮短了客戶盡職調查的時間以及降低了成本。除了金融機構在合規(guī)端采用的眾多高效的合規(guī)科技來了解其客戶，監(jiān)管機構也在監(jiān)管端發(fā)力監(jiān)管科技助力金融機構更有效地在交易前了解客戶。新加坡金融管理局（MAS）已經構建了Myinfo Personal和Myinfo Business兩大數(shù)據(jù)平臺，前者包含了新加坡居民的信息，后者則包含了新加坡企業(yè)的信息。金融機構在驗證新客戶的時候，可以使用這兩大數(shù)據(jù)平臺來對客戶詳細了解。其中Myinfo Personal平臺除了記錄客戶的證件號、居住地、受教育情況等基本信息外，還囊括客戶的家庭狀況、公積金、職業(yè)及駕駛證等多維數(shù)據(jù)。兩大數(shù)據(jù)平臺能夠顯著地降低金融機構KYC成本，并且提供了更好的客戶體驗。目前新加坡的110個政府服務和90個私人部門服務使用兩大數(shù)據(jù)平臺來了解和驗證客戶身份。

（二）賦能監(jiān)管機構交易數(shù)據(jù)的收集與呈現(xiàn)

隨著金融市場的高速發(fā)展，金融交易的數(shù)據(jù)量迅速增長。監(jiān)管機構要想尋找出可疑的洗錢交易，首先必須盡可能地收集到足夠的交易數(shù)據(jù)，并對數(shù)據(jù)做出可視化處理。在傳統(tǒng)監(jiān)管手段下，金融監(jiān)管機構的數(shù)據(jù)和報告主要來自金融機構的義務匯報，這將使金融監(jiān)管機構獲取的數(shù)據(jù)數(shù)量和質量有限。而云計算、大數(shù)據(jù)分析、網絡分析等技術可以使監(jiān)管機構獲取數(shù)據(jù)的數(shù)量和處理數(shù)據(jù)的效率大大提升。

英國金融行為監(jiān)管局（FCA）利用云計算技術進行數(shù)據(jù)的收集、儲存和處理。云計算是指使用多部服務器組成的系統(tǒng)來處理需要巨大算力任務的一種計算方式。云計算能夠將任務分解，由多個服務器處理，再將結果整合輸出。監(jiān)管機構可以使用云計算服務商提供的分布式計算服務，突破計算能力的束縛。此外監(jiān)管機構還能使用云計算儲存數(shù)據(jù)，將大量數(shù)據(jù)分布式儲存在云服務商的多臺服務器上[14]，在提升數(shù)據(jù)安全性的同時，做到數(shù)據(jù)的靈活使用。簡而言之，云計算技術提高了數(shù)據(jù)收集效率，打破了物理存儲空間的限制，彌補了監(jiān)管機構算力不足的缺陷，同時能夠保證數(shù)據(jù)的安全和穩(wěn)定。此外，F(xiàn)CA還在試點數(shù)字監(jiān)管報告（DRR）模型[15]，目前已經到了第二階段，其主要工作流程如圖1所示。DRR模型將監(jiān)管規(guī)則轉換為電腦可讀的代碼，然后將其運用在標準化后的企業(yè)數(shù)據(jù)上，從而得到監(jiān)管部門需要的數(shù)據(jù)。DRR模型一方面提高了FCA數(shù)據(jù)收集的效率，另一方面也降低了企業(yè)匯報監(jiān)管數(shù)據(jù)的成本。墨西哥國家銀行和證券監(jiān)管委員會（CNBV）也正在搭建一個類似的數(shù)據(jù)收集平臺——AML data architecture（反洗錢數(shù)據(jù)收集架構，圖2）以解決反洗錢合規(guī)成本高、效率低下的問題。（7）值得一提的是，CNBV能夠將歷史數(shù)據(jù)導入該平臺進行分析，在新老技術銜接的同時，能夠對歷史數(shù)據(jù)進行復核。

數(shù)據(jù)并不能夠直接帶給監(jiān)管者有用的信息，監(jiān)管機構還需要將大量、復雜的數(shù)據(jù)進行可視化處理，從而發(fā)現(xiàn)可疑信息。奧地利中央銀行搭建了一個數(shù)據(jù)報告平臺，奧地利的商業(yè)銀行將數(shù)據(jù)傳遞至這個平臺后，平臺可以對數(shù)據(jù)進行標準化的轉換，形成一個簡易、完整的報告并遞送至奧地利中央銀行。菲律賓中央銀行（BSP）與RegTech for Regulators Accelerator公司合作開發(fā)了一個基于API的數(shù)據(jù)收集和處理平臺。該平臺集數(shù)據(jù)收集、驗證、處理和可視化于一體（圖3）。其運用儀表盤、統(tǒng)計軟件和數(shù)據(jù)透視表等工具將提取的數(shù)據(jù)加工成圖表等形式，從而易于BSP閱讀和作出決策。

（三）賦能數(shù)據(jù)分析

監(jiān)管機構在收集到大量的數(shù)據(jù)或者數(shù)據(jù)處理結果后需要對數(shù)據(jù)進行分析。即使計算機系統(tǒng)對海量的數(shù)據(jù)進行了初步的處理，其形成的報告或者結果的量也是巨大的，全部通過人工分析耗時長、成本高并且存在操作風險。而機器學習，自然語言處理等手段可以高效化、規(guī)模化地分析出數(shù)據(jù)間的內在聯(lián)系與異常，進而追蹤潛在的洗錢活動。

加拿大金融交易與報告分析中心（FINTRAC）利用文本挖掘工具來對可疑交易報告進行分析（如圖4所示），以評估洗錢的趨勢和模式。文本挖掘是數(shù)據(jù)挖掘的一種，能夠從大量信息中尋找出背后的關鍵信息和目標信息。FINTRAC首先對獲取到的可疑交易報告進行預處理，去除一些不需要的信息（如固定模板類信息）。然后對預處理過的信息進行語言學處理，主要是將文本中詞與詞分開，并做詞性標注以及無用詞（語氣詞、標點符號等）刪除。接著對獲取的詞進行數(shù)學處理（如計算詞語出現(xiàn)頻率等）找出文本特征詞。再對文本降維得到結構化數(shù)據(jù)。最后利用各種算法深度挖掘數(shù)據(jù)識別可疑交易，如貝葉斯算法、決策樹算法等。Rui，L.（2011）[16]曾研究使用決策樹算法來識別洗錢活動。FINTRAC使用的文本挖掘工具會分析可疑交易報告的敘述部分，發(fā)現(xiàn)與洗錢活動相關的關鍵概念，并將此報告進行標記，這將極大地節(jié)省FINTRAC分析報告的時間。

新加坡金融管理局（MAS）在反洗錢數(shù)據(jù)分析中進行了一項技術創(chuàng)新——網絡分析解決方案。該方案采用自然語言處理和機器學習技術來分析金融機構向MAS提交的可疑交易報告（STR），進而生成一個STR子網絡。子網絡中將包含原STR中的實體以及這些實體間的關系。根據(jù)這些信息，監(jiān)管者將會查找更廣泛的數(shù)據(jù)，包含這些實體的交易記錄等。網絡分析解決方案將顯著提高監(jiān)管的效率和有效性。如自然語言處理能夠快速識別非結構化信息，機器學習能夠從數(shù)據(jù)中提取人工無法識別的數(shù)據(jù)聯(lián)系，進而探索更隱蔽的洗錢活動。

（四）賦能對高風險金融機構的監(jiān)管

隨著洗錢活動的越發(fā)活躍，監(jiān)管機構反洗錢領域的人員、資金都較為匱乏。因此，排查出高風險金融機構，集中監(jiān)管資源進行反洗錢監(jiān)管具有重要的現(xiàn)實意義。

墨西哥國家銀行與證券監(jiān)管委員會（CNBV）與RegTech for Regulators Accelerator公司合作，利用有監(jiān)督的機器學習來檢測金融機構未報告的可疑交易，進而判斷金融機構反洗錢的合規(guī)程度。CNBV使用人工發(fā)現(xiàn)的未報告可疑交易和金融機構已報告的可疑交易來訓練機器模型，然后機器模型會掃描整個數(shù)據(jù)庫以發(fā)現(xiàn)具有類似模式的其他交易，從而辨別出具有大量未報告異常交易的金融機構，并對其作重點監(jiān)管。加拿大金融交易與報告分析中心（FINTRAC）開發(fā)了一種啟發(fā)式模型，該模型使用金融機構概況、合規(guī)歷史、報告行為等風險因素并結合從金融機構的可疑報告中收到的大量數(shù)據(jù)對金融機構不遵守反洗錢法規(guī)的可能性進行排名，從而集中資源對高排名的機構進行監(jiān)管。同時FINTRAC還結合機器學習等技術研發(fā)了“挑戰(zhàn)者”模型以檢驗原模型的有效性并對原模型進行改進。荷蘭銀行（DNB）通過研究相關實體的交易網絡來判斷高風險金融機構。（5）如圖5所示，不同實體通過不同的金融機構向高風險國家或地區(qū)的同一個交易方輸送資金，DNB通過使用交易數(shù)據(jù)來檢測這些實體的交易網絡，進而評估出金融機構面臨的洗錢風險狀況。

四、監(jiān)管科技在反洗錢領域的展望

在洗錢活動的危害日益增加、隱匿性及復雜程度日趨增長的背景下，各國金融監(jiān)管機構和金融機構都在努力開發(fā)和運用監(jiān)管科技來應對挑戰(zhàn)。盡管在這個過程中還存在著許多障礙和困難，但是已有的賦能成果充分展現(xiàn)了監(jiān)管科技在反洗錢領域的應用潛力。未來，監(jiān)管科技在反洗錢領域的應用將會圍繞著數(shù)據(jù)和技術繼續(xù)創(chuàng)新、賦能。

（一）完善數(shù)據(jù)供給機制，發(fā)揮數(shù)據(jù)協(xié)同效應

目前數(shù)據(jù)仍是監(jiān)管科技發(fā)展的核心驅動力。數(shù)據(jù)的數(shù)量越多，質量越高，反洗錢模型運行的效果會越好。同時，二者又是相互依存、相互促進的。數(shù)據(jù)為監(jiān)管科技模型提供了初始的“學習”和“測試”資料，監(jiān)管科技又能更好地分析和處理數(shù)據(jù)。由此，數(shù)據(jù)數(shù)量和質量將會顯著影響監(jiān)管科技的健康、快速發(fā)展。目前數(shù)據(jù)的使用主要存在兩方面問題，一是數(shù)據(jù)的隱私問題，二是機構間的數(shù)據(jù)壁壘問題。

一方面，客戶數(shù)據(jù)的隱私問題影響了監(jiān)管科技數(shù)據(jù)的可得性。無論是金融機構和監(jiān)管機構自己研發(fā)的監(jiān)管科技，抑或是第三方科技公司提供的反洗錢問題技術解決方案都需要使用真實的客戶信息或交易數(shù)據(jù)進行模擬、訓練。但是對數(shù)據(jù)的使用和深度挖掘可能會觸犯相關的數(shù)據(jù)隱私保護法規(guī)，如歐盟的《通用數(shù)據(jù)保護條例》、英國的《數(shù)據(jù)保護法》等。金融交易數(shù)據(jù)是由交易者產生，并且由交易者所有，這是毋庸置疑的。但是單個數(shù)據(jù)對用戶并沒有多大的使用價值，并且數(shù)據(jù)的使用并不是零和游戲，監(jiān)管科技研發(fā)者和使用者對客戶數(shù)據(jù)的合理使用最終會惠及整個市場，產生明顯的正外部性。因此，未來政府應該以立法的形式明晰數(shù)據(jù)的所有權和使用權，制定明確的數(shù)據(jù)使用機制、保密機制，在充分保護金融機構客戶隱私的基礎上，讓數(shù)據(jù)在反洗錢領域得到充分利用。

另一方面，機構間的數(shù)據(jù)壁壘降低了監(jiān)管科技可用數(shù)據(jù)的全面性。洗錢活動涉及的鏈條較長，涉及的主體眾多，各主體間擁有的數(shù)據(jù)存在一定的獨立性。同時，在數(shù)據(jù)時代，數(shù)據(jù)的資產屬性使得金融機構間的“數(shù)據(jù)壁壘”更加嚴重。數(shù)據(jù)壁壘使監(jiān)管科技模型可獲得的訓練數(shù)據(jù)減少，影響其在反洗錢領域的有效性。因此，在未來的反洗錢工作中，各國政府應該作為牽頭者，結合實際情況，協(xié)調多方利益，建立數(shù)據(jù)共享機制，發(fā)揮數(shù)據(jù)協(xié)同效應，打擊洗錢活動。目前來看，一些國家間已經在嘗試創(chuàng)建共享數(shù)據(jù)的協(xié)作平臺。2017年，澳大利亞成立了FIntel聯(lián)盟，它由許多政府和私營部門的成員機構組成，包括國內和國際機構。這些機構間共享和分析金融情報，相互合作，共同打擊洗錢、恐怖主義融資等犯罪活動。在荷蘭，荷蘭銀行、警察局、稅務機關以及海關等眾多機構組建了數(shù)據(jù)共享平臺。在中國，隨著開放銀行理念的提出與實踐，金融機構之間以及金融機構與其他機構之間的數(shù)據(jù)在反洗錢領域的共享或將不再遙遠。

（二）打破監(jiān)管科技“黑盒”，推動監(jiān)管科技實施

監(jiān)管科技的推出主要有三種模式：（1）監(jiān)管機構和金融機構獨立研發(fā)，（2）由第三方科技供應商提供，（3）監(jiān)管機構與金融機構協(xié)同第三方科技供應商共同開發(fā)。由于技術和算法的專有性，第三方科技供應商往往不愿意解釋監(jiān)管科技模型的內部工作原理。因此有些監(jiān)管科技內部是“不透明”的，監(jiān)管機構或金融機構無法理解模型輸出結果的由來，并且模型越復雜，越難以追溯其原理。如復雜非線性機器學習模型處理過程是難以解釋的。由此，監(jiān)管機構和金融機構難以確保模型的實施效果，難以確定其實施過程不違反相關反洗錢監(jiān)管及數(shù)據(jù)隱私法規(guī)。這在一定程度上阻礙了監(jiān)管科技的落地實施。因此，為了推動監(jiān)管科技更加快速、有效的賦能反洗錢監(jiān)管與合規(guī)，第三方科技供應商應該積極與監(jiān)管機構以及金融機構合作。首先，雙方可以簽訂監(jiān)管科技產品的特性保證合同，第三方科技供應商承諾產品的特性，降低產品效果的不確定性。其次，監(jiān)管機構與金融機構可以同第三方科技供應商共同開發(fā)更具針對性、更加高效的監(jiān)管科技產品。監(jiān)管機構與金融機構說明需求與提供數(shù)據(jù)，第三方科技供應商負責研發(fā)與解釋，形成雙贏局面。最后，監(jiān)管機構和金融機構應使用真實數(shù)據(jù)反復模擬運行產品，對比產品輸出結果與實際情況的差異性，確保產品切實有效。

參考文獻：

[1]梅德祥，高增安.中國產生的洗錢規(guī)模及其流出研究[J].經濟學家，2015，（1）：64-72.

[2]盧建平.洗錢犯罪的比較研究[J].浙江社會科學，1998，（5）：86-92.

[3]劉閩浙.《中華人民共和國反洗錢法》有效性研究[J].浙江金融，2017，（4）：8-15.

[4]麻文奇.基層央行反洗錢工作面臨的難點及建議[J].南方金融，2007，（6）：57-58.

[5]吳婧.對基層央行反洗錢監(jiān)管工作的思考和建議[J].現(xiàn)代經濟信息，2019，（19）：310.

[6]張貞樂.信息不對稱與金融機構反洗錢問題研究[J].金融經濟，2006，（24）：17-18.

[7]丁玉萍，李丹萍.反洗錢監(jiān)管視角下對客戶身份識別制度的思考[J].甘肅金融，2019，（5）：52-56.

[8]傅強.監(jiān)管科技理論與實踐發(fā)展研究[J].金融監(jiān)管研究，2018，（11）：32-49.

[9]何海鋒，銀丹妮，劉元興.監(jiān)管科技（Suptech）：內涵、運用與發(fā)展趨勢研究[J].金融監(jiān)管研究，2018，（10）：65-79.

[10]蔚趙春，徐劍剛.監(jiān)管科技RegTech的理論框架及發(fā)展應對[J].上海金融，2017，（10）：63-69.

[11]郭宏亮.對金融機構有效提高反洗錢可疑交易報告質量的思考[J].吉林金融研究，2013，（12）：62-65.

[12]楊東.監(jiān)管科技：金融科技的監(jiān)管挑戰(zhàn)與維度建構[J].中國社會科學，2018，（5）：69-91，205-206.

[13]吳杰.互聯(lián)網金融的反洗錢身份識別和風險防控[D].浙江大學，2018：16-20.

[14]孔海斌.云計算模式下大數(shù)據(jù)處理技術研究[J].通訊世界，2019，（12）：152-153.

[15]鑫苑房地產金融科技研究中心.英國FCA監(jiān)管科技（Regtech）研究[R].北京：清華大學五道口金融學院，2019：10-19.

[16]Liu R，Qian X，Mao S，et al. Research on anti-money laundering based on core decision tree algorithm[C]//2011 Chinese Control and Decision Conference（CCDC）. IEEE，2011：4322-4325.

[17]Lootsma Y. Blockchain as the Newest Regtech Application—the Opportunity to Reduce the Burden of KYC for Financial Institutions[J]. Banking & Financial Services Policy Report，2017：16-21.

[18]王晨宇.區(qū)塊鏈技術在我國反洗錢領域的應用研究[D].山東大學，2018：30-40.

（責任編輯 吳曉妹）