Hertha项目：识别实时零售支付系统中的金融犯罪模式

项目背景与目标

项目Hertha旨在探索如何利用交易分析技术，在实时零售支付系统中识别金融犯罪模式，同时使用最少的数据点。该项目由BIS创新枢纽伦敦中心和英格兰银行联合发起，重点关注电子支付系统中的网络分析，以帮助银行和支付服务提供商（PSPs）更有效地识别金融犯罪。

数据与方法

项目使用了一个包含180万账户和3.08亿笔交易的复杂模拟合成交易数据集，该数据集由AI模型训练生成，旨在模拟真实交易模式，同时保护数据隐私。项目测试了多种机器学习模型，包括XGBoost、Isolation Forest和UniTTab，并比较了银行/PSPs单独工作和与支付系统合作时的检测效果。

研究结果

• 单独工作 vs. 合作: 银行/PSPs在识别非法账户方面略优于支付系统。然而，通过支付系统分析，银行/PSPs可以识别出12%更多的非法账户，同时减少误报。
• 不同类型金融犯罪: 支付系统分析在识别涉及多个银行和PSPs的复杂金融犯罪方案方面特别有效。
• 新型金融犯罪: 与无监督学习相比，监督学习在识别新型金融犯罪模式方面表现更佳。
• 模型校准: 模型可以根据需求调整，以专注于高风险账户或最大化检测数量。
• 深度学习: 深度学习模型在识别新型模式和网络分析方面表现优于传统机器学习模型。

关键洞察

• 模型反馈循环: 建立一个有效的反馈循环对于训练和持续改进分析模型至关重要。
• 可解释人工智能: 可解释AI方法可以帮助银行/PSPs更好地进行调查和报告。
• 行业影响: 支付系统分析可以帮助银行/PSPs降低合规成本，并支持更有效的公共政策成果。
• 隐私保护: 任何交易分析解决方案都必须保护用户隐私，并符合数据最小化和存储限制的原则。

未来研究方向

• 交易追踪: 利用网络数据追踪已确认涉及金融犯罪的账户，以识别其他相关账户和交易。
• 合作调查: 银行/PSPs可以合作进行联合调查，并共享情报，以应对复杂的网络犯罪方案。
• 其他支付系统: 将交易分析技术扩展到大型值支付系统、跨境支付系统和加密资产网络。

BIS创新枢纽合规技术栈

项目Hertha是BIS创新枢纽一系列金融完整性技术项目的一部分，包括项目Aurora和Mandala。这些项目共同构成了一个技术栈，可以帮助全球打击金融犯罪，并保护用户隐私。