枫清科技-图智能在反洗钱方向的应用实践

总结

业务背景

金融技术快速发展导致洗钱、恐怖融资等犯罪行为层出不穷，犯罪手段不断翻新，呈现专业化、团伙化、隐蔽化特点。反洗钱规则仅适用于识别单个账户的洗钱行为，需进一步挖掘可疑交易中的洗钱团伙，以提升反洗钱可疑交易报告的情报价值。

业务流程及痛点

当前反洗钱业务存在以下痛点：

• 单个案例处理时间长（20-50分钟）
• SQL筛选过滤手段局限，无法进行深度分析
• 人工处理工作量大（每年数万多起案例数据）
• 问题数据无法得到融通和应用（可疑数据上报后无后续利用）

分析过程

采用多种数据分析建模手段，融合客户交易数据、客户资料、外部数据等多源数据，构建基础图谱和特征图谱，以发现可疑个体和团伙。

数据收集与建立图谱

1. 收集个人账户信息（账户数量、证件、地址、电话等）、企业账户信息（注册资本、经营范围、股权情况等）、交易数据（金额、时间、交易对手）、交易行为信息（网银交易IP地址、MAC地址，柜面交易，交易网点等）。
2. 应用基础数据图谱进行特征加工，发现关联关系，包括账户资料特征（同一注册地址、持股关联方、一致行动人等）、资金交易特征（频度、模式、速度、方式等）、交易行为特征（同一IP地址及MAC地址下的关联交易、同一区域网点内分散交易等）。

模型分析

在原有分析维度基础上融入图相关特征进行建模分析，包括：

• 相关性分析（顶点重要性、社区相关等）
• 顶点度相关统计
• 路径和遍历分析

案例介绍

案例说明

本案例使用开源数据集IBM/AMLSim进行模拟分析，分析工具为Fabarta图智能分析平台。

案例流程

1. 数据探查：筛选交易个体，统计所有账户的转入/转出金额比例，通过标准差法找出异常值。
2. 异常点分析：围绕选定账户（如account:996）展开交易链路分析，发现交易为多个账户转入汇聚到该账户。
3. 图结构特征探查：发现账户account:996的三角计数结果明显高于其他账户，存在大量聚集关联交易。
4. 结合聚类结果和结构特征：对聚集关联交易进行聚类分析（鲁汶算法），发现分组4（交易关系复杂，交易总量148万，平均每笔6.7万）为可疑团伙。
5. 进一步分析团伙分工：统计分组内各账户的转入转出笔数，发现账户“account:996”为疑似接收者，“account:876”、“account:466”、“account:305”为疑似发起者，其余账户为疑似洗钱参与者。
6. 图模式转化为任务：结合以上发现的图模式，建立对应的图模式任务，在全量数据集中应用已发现模式识别可疑团伙行为。

技术支持

• 可视化构建图模型
• 支持结构化/非结构化数据库数据接入（离线/实时接入）