8、反洗钱中可疑活动检测的序列匹配方法

反洗钱中可疑活动检测的序列匹配方法

1. 背景与方法概述

在反洗钱（AML）工作里，检测可疑活动至关重要。金融机构的专家需依据可疑标准提取可疑活动报告（SARs）并提交给监管中心。目前，多数金融机构虽已开发 AML 系统辅助提取 SARs，但在从大量交易信息流中有效检测可疑活动方面存在技术差距。传统基于人为设定阈值的方法，存在低假阳性和低真阳性的问题，且难以解释可疑交易的含义。

为解决这些问题，本文引入序列匹配方法。将目标序列定义为“查询序列”，并引入两种“参考序列”：同一账户交易的历史信息和同侪组内其他账户的交易信息。这种方法有两大优势：
- 把交易视为时间序列，比将单个交易判定为欺诈更容易识别欺诈行为。例如，单次接近 10,000 美元的存款可能不可疑，但多次这样的存款就可疑；大额存款本身可能不可疑，但紧接着取款就很可疑。
- 通过将查询序列与历史信息对比，可根据交易自身趋势或时间模式检测可疑活动，而非仅挑选超出人为设定阈值的交易点，从而减少误检情况。此外，引入同侪组信息可揭示诸如构建“结构化交易”或“训练行为模式”以隐藏异常交易的洗钱手段。

2. 相关研究综述

2.1 可疑活动检测方法

可疑活动检测可看作异常值检测问题，主要方法分为基于阈值的检测和基于状态的检测。在中国，多数 AML 检测系统使用人为设定的阈值来过滤可疑交易。一些更复杂的系统，如美国证券交易商协会使用断点检测技术检测异常股票交易，美国金融犯罪执法网络 AI 系统（FAIS）使用可疑分数标记特定类型的交易和活动，并利用链接分析技术检测相关犯罪。也有研究人员使用机器学习方法，如 SVM 和决策树来检测可疑活动，但由于缺乏真正的可疑数据，这些方法的评估效果较弱。