文/北京理工大学计算机学院史立彬

2025年开始执行的《中华人民共和国反洗钱法》把洗钱犯罪修订为：通过各种方式掩饰、隐瞒毒品犯罪、黑社会性质的组织犯罪、恐怖活动犯罪、走私犯罪、贪污贿赂犯罪、破坏金融管理秩序犯罪、金融诈骗犯罪和其他犯罪所得及其收益的来源、性质的洗钱活动。在原七种洗钱上游犯罪后增加了“和其他犯罪”五个字。显然，这种修改揭示了洗钱犯罪的主要类型和危害，突出了反洗钱工作的重心和重点，扩大了洗钱上游犯罪的范围，对反洗钱工作提出了准确指引和更高要求。

由于缺乏认定可疑洗钱交易的量化标准、技术方法和富有经验的人员，可疑洗钱交易报告存在明显短板，一直都是反洗钱工作的重点、难点和焦点。可以预料，洗钱犯罪案件会大量增加，反洗钱工作压力也会增大，使建立可疑洗钱交易报告模型成为紧迫任务。

建立可疑洗钱交易报告模型的目标和步骤

建立模型的目标是：从海量的银行交易中发现、认定和报告隐藏的洗钱交易。从数学角度看，这显然是神经网络分类问题。但建立模型的基石在于反洗钱的业务需求，先要做好业务需求分析，确定简单、实用的数据结构。

1.数据准备：划分银行资金和账户性质。从防范洗钱风险角度，银行资金性质分为四类：洗钱资金、可疑资金（违法交易资金）、关注资金（违规交易资金）和正常资金。银行账户性质也分为四类：洗钱账户（有较大数量洗钱资金流动）、可疑账户（有少量洗钱资金流动，或有大量可疑资金流动）、关注账户（有一定数量可疑资金流动，或有大量关注资金流动）、正常账户。

这是建立防范洗钱模型的起始点，也是编制算法的基准点，要认真学习反洗钱工作的实践经验，如2018年8月中国人民银行发布的《可疑交易类型和识别点对照表》，总结了12类常见可疑交易类型及识别点，包括客户信息、资金交易的行为可疑特征，并提出了相关的量化指标。

2.建立模型的起点：认定洗钱账户资金的性质。对判决的洗钱案件及账户，不能一判了之。要对照洗钱账户的资金往来记录，认真审查每笔交易的存留文档，使用洗钱资金性质认定软件，结合工作人员金融功底认定资金性质。既然是洗钱账户的资金交易，不管是自洗钱，还是他洗钱，只要存在掩饰、隐瞒资金来源或性质的行为，就是洗钱交易。这是模型的数据基础，要注重正确性和可靠性。

在认定洗钱账户资金性质后，按对方账户ID信息确定借贷双方组成的资金路径，并按时间顺序审视同一账户资金的内在关系，建立连通的资金路径向量序列，参照图论认知洗钱资金路径图形的特征模式。向对方账户发送消息时，要满足统计每类资金金额与笔数的需要，为对方账户认定性质提供数据支持。

3.初始目标：构造评估当地洗钱风险的资金流通网络。逐步输入其他银行账户（可能包括改头换面的地下钱庄、非法支付平台、数字货币及离岸公司开设的账户）资金往来的信息。使用可疑、关注性质资金认定软件分别确定每笔资金的性质。选用适合的数据库软件（如Neo4j、HugeGraph）进行资金数据和关系的管理分析，设定图向量输出显示规则，如线条颜色表示资金性质，粗细表示资金数额。开发专用算法对资金向量进行统计计算。选用网络立体可视化软件（如Gephi、Cytoscape）按交易时间动态显示每个账户资金交易状态和每类资金笔数/金额变化，构造本地资金网络实时视图以供评估洗钱风险。

4.系统目标：透析可疑资金路径图形与洗钱资金路径模式的匹配程度。在资金往来数据不断充足和资金路径匹配算法不断优化的过程中，不断完善以节点表示账户，以资金往来表示关系，以资金向量序列表示资金流动路径，以资金路径图形特征表示账户交易行为的资金流通网络，经过深入的人工智能学习训练，使用神经网络和图计算发现洗钱资金渠道，认知洗钱资金路径图形特征模式，辨析可疑资金路径特征与洗钱资金路径模式的关联匹配程度，从现代金融科技角度助力正确判断报告可疑洗钱交易。

建立可疑洗钱交易报告模型的基本思路和技术路线

本模型以资金路径图形特征模式为分类判断要素。“资金路径图形”就是以交易资金贷方为起点、借方为终点的图向量序列组成的、有一定几何形状的图形。“特征模式”是指图形构成要素属性的特征规律。即把一个账户的资金路径图向量（一组交易行为）作为输入对象，使用智能算法分析提取资金路径图形构成要素的组成、顺序和特征规律，与洗钱资金路径的模式进行对比匹配，最终输出模型分类评估的预测结果。简而言之，本模型算法就是对资金路径图形构成要素的特征进行比对分类、匹配预估的一种模式识别（PatternRecognition）方法。

图形的构成要素是节点（账户，顶点）和边（资金往来，有向图）。节点的属性特征有形状（账户性质）、大小（重要性）、度（相连边数量，有出度、入度）、中心性（影响力，有度中心性、接近中心性、介数中心性）等。边的属性特征有颜色（资金性质）、权重（金额）、方向（从贷方指向借方）等。拓扑结构特征有路径（资金路径及边的序列）、连通性（连通程度）、环（封闭路径，起点与终点相同且路径边不重复）、子图（更小功能的图形）等。

每个构成要素的属性特征都有一个或几个指标参数对映，单独或组合使用这些指标参数就能充分表达数据、数据关系和现实关系。我们做逆向思考：通过专业算法在复杂图形中发现的资金路径特征模式，如与确认的洗钱资金路径模式类同，就说明该网络业务操作过程可被合理怀疑为洗钱活动。即本模型基本思路是：以洗钱资金路径图形特征模式作参照，与可疑资金路径特征进行比对、关联和匹配等计算，根据这两种资金路径图形特征的关联度和相似度，判断可疑资金属于洗钱交易的怀疑程度。当然，具体选择哪些构成要素的属性特征指标为判断要素和权重，还有一个在实践中逐步摸索和试错的过程。

参考Pregel编程模型的成功经验，本模型技术路线如下。

1.建立以Vertex预定义类为核心的数据框架。顶点数据结构要实用、简单和规范。通过继承Vertex类定义三个模板参数，包括银行账户及属性为顶点值、账户资金往来及属性为边值、顶点通信报文为消息值。其中，顶点值——银行账户属性图向量详见表。

表银行账户属性图向量

2.重写Computer()函数统一顶点数据处理流程。通过重写Compute()函数统一顶点计算流程。图计算过程被分解为一系列超级步。每一超步就是一次迭代，分三个阶段。

一是本地计算，读取处理前超步发送的消息。顶点并行Computer()函数，执行用户定义的数据处理要求，直到没有消息发送或达到预设的最大迭代次数。

二是通信，指定目标顶点ID和通信内容后，向目标顶点发送信息，但目标顶点接收和处理信息在下一超步完成。

三是栅栏同步，等待所有顶点完成本超步的计算和消息发送。

Computer()函数在顶点完整计算逻辑和规范处理数据方面起着重要作用。

3.通过水平/垂直结构配合高效处理图数据。采用水平/垂直结构配合方式提高数据处理效率。为发挥信息资源效能，根据实际水平分割大型图为多个分区（包含某分支机构所有账户），每个分区划分多个Worker（包含一定数量账户及以其为起点的边）。使用Master管理分区当前活动Worker列表，合理分配Worker计算负载，提高资源利用率和计算效率。在垂直结构方面，优化每个节点计算资源，提高计算能力，通过优化Computer()，优化Worker进程性能等构建高效、可扩展的图数据处理平台。

在持续使用、优化模型过程中，不断深刻理解可疑洗钱交易报告的业务需求，不断完善模型实用功能，提高数据处理性能，助力做好可疑交易报告工作，提供可疑交易线索，提高反洗钱工作水平。

（此文刊发于《金融电子化》2025年4月下半月刊）