如何应对洗钱犯罪的新变化？探索图数据库在反洗钱中的应用

背景导读

洗钱，即对非法资金的合法化过程。它由违法犯罪集团组织，在躲避银行和执法部门监测情况下，利用违法交易手段对非法收益进行转移，是金融犯罪领域最难发现的活动之一。当前，洗钱团伙日趋集团化、规模化和专业化，原有依赖公安系统和专家经验的反洗钱系统面临挑战。传统反洗钱模式大多依赖公安系统和多年积累的专家经验，相对缺少大数据精准分析的支持，准确性和稳定性易受人为因素的干扰，导致传统反洗钱工作易存在团队识别能力弱，计算能力差，上报率较低等问题。

本文将从解构反洗钱流程，剖析反洗钱痛点，聚焦图技术优势出发，带您理解如何用图数据库帮助金融机构解决传统技术上的不足，优化风险识别效率且节约人力成本，实现智能反洗钱。

反洗钱流程

首先从与客户建立业务关系开始，反洗钱系统就会对客户进行身份识别，包含尽职调查和风险评估，也就是在交易开始前根据用户的个人信息进行识别、登记、核对以及留存，根据客户的账户安全情况进行高、中、低风险评级，针对存在风险的可疑账户生成警报同步给业务人员；紧接着业务人员需要对可疑警报进行快速审查，根据过往经验人工识别误报警报，针对有效警报对客户的交易行为进行监测和跟踪，力求发现洗钱的蛛丝马迹；同时，在和客户发生业务关系的过程中，金融机构需要做好实时风险监测的工作，针对金额巨大、异常的交易，按照规定的标准以及时限，定期形成可疑活动报告进行汇报，方便风险追踪。

综上所述，传统反洗钱流程环环相扣，上层业务将逐级对下游作业产生巨大影响。但在具体实践中，传统反洗钱仍然存在误报率高、洗钱链路识别能力差等痛点。根据相关资料显示，中国人民银行在2021年共开展159项反洗钱专项执法检查、476项含反洗钱内容的综合执法检查和3项涉案机构的行政处罚调查，罚款金额高达3.41亿元，可见当前传统反洗钱系统存在巨大升级空间。

反洗钱痛点

洗钱主体间隐性关联关系发现难。 随着互联网发展和金融科技的应用，洗钱团伙也开始对洗钱模式进行升级，通过非法渠道购买、盗取、骗取他人的身份信息进行恶意开卡交易，整体呈现出组织化程度高、参与者人数多的特点。此外，洗钱团伙利用复杂多样的网络环境进行洗钱行为，层层交易和多元模式使得客户间的隐秘关联身份被深度覆盖，导致传统的检测手段难以有效穿透识别客户的身份，洞察洗钱模式。这对金融机构的反洗钱监测系统提出挑战，要求能够对隐蔽、复杂的洗钱团队和主体进行精确响应。

复杂链路的交易资金穿透式识别难。 在金融机构中，每天都存在数千万条交易记录等待处理，并且业务场景的增加也衍生出更多的关联关系。其中，有些属于静态关系，如企业的股权控制关系、客户间的亲属关系，有些属于动态关系，如转账关系、借贷关系等。想要回溯真实金融业务场景、有效识别其中的洗钱行为，就要求金融机构具备处理大规模复杂关联数据的能力，需要构建完整的资金流向网络，有效识别洗钱资金交易链路。

可视化分析套件效率低。 金融机构分析师在进行风险警报核查以及反洗钱案件调查工作时，往往需要耗费较多的时间在分析审核上，不仅要对客户的交易账单和表格依次进行分析，还需要切换不同的系统和表单来获取响应信息。分析师难以用全局视角洞察所有信息，往往导致案件调查工作效率低下且效果不佳。因此，金融机构需要优化洗钱网络的穿透展示能力，实现信息的360°呈现，大幅提升工作效率，有效节约人力成本。

针对上述当前洗钱领域存在的难题，图数据库技术存在两个层面优势，可助力金融机构层层击破业务痛点，实现反洗钱系统智能化升级。一方面，反洗钱流程本身可以被看作一个图问题。针对洗钱行为，我们能够将它的资金存放、路径掩藏和交易整合三个阶段看作一个整体，最终将在洗钱活动中出现的参与方和资金流转链路形成一个完整的隐性关系网络，多元主体间密不可分。另一方面，图技术在处理实体间的关联关系具备天然的优势，能够轻松地将碎片化的交易数据、静态的客户信息和动态的转账关系进行可视化重组，完整地展现出非法资金流动图景，让洗钱网络中的复杂和可疑模式现出原形，便于金融机构有效评估团伙洗钱风险，加速业务决策。

使用Galaxybase图数据库进行智能反洗钱的方法原理图如下。

创建模型

构建反洗钱网络间的关联关系，可以根据个人、公司、交易对象的实际情况展开，将客户个人、公司企业设置为点，客户之间、公司与客户之间、公司之间的交易关系设置为边。接下来使用Galaxybase图数据库来创建数据模型，点类型和点属性如下表所示。

点类型	属性
个人	客户号：行内客户唯一识别码
公司	企业名称：企业工商注册信息全称

主要的边类型、起始点类型、终止点类型如下表所示。
边类型 起始点类型 终止点类型

联系人	个人	个人
交易	个人	公司
财务	个人	公司
股东	个人	公司
关联关系	个人	公司
法定代表人	个人	公司
控股/控制人	公司	公司

智能反洗钱模型如下图所示。
更多图模型构建方式请参考图构建 。

智能运维 - 隐性关系识别

在反洗钱业务中，分析人员往往难以发现洗钱主体间隐性关联关系，需要从已经涉及黑产人员名单出发，深链查询出其完整的社交网络、交易网络，定位可以关联人员、公司。举例，在上文所建图模型中，个人“1019”是银行登记在案的黑产人员，我们将寻找个人“1019”的所有关系网络，找出可能存在洗钱风险的公司、人员。

查询结果

如下图所示，画布显示个人“1019”背后所有的关联关系，包括联系人“1027”、股东“2004”等，在个人“1019”的社交网络、交易网络内，分析师对可能存在风险的个人、公司进行重点审查，重新评估风险等级，更新风险评分，降低洗钱风险。

智能运维 - 交易资金穿透

在反洗钱业务中，分析人员难以对复杂交易链路的资金流向进行穿透式识别，需要快速追溯交易网络内的资金流向，通过风险等级的计算，评估是否存在资金回流的利益相关者。举例，在上文所建图模型中，我们将对公客户“2001”开始至个人客户“1014”结束的完整交易路径以及关联的所有交易主体。

查询结果

如下图所示，从对公客户“2001”开始至个人客户“1014”结束的完整交易路径以及关联的所有交易主体清晰展示在图中，做到一“图”了然。从结果可以看到，对公客户“2001”将钱分散转出，最终转移至个人客户“1014”，而个人客户“1014”是对公客户“2001”的最大股东，是实际上的控制人，该交易行为存在异常，分析师应将此异常行为上报。

结语

以上仅为智能反洗钱网络的简单展示，通过上述两个例子，可以看到图数据库能够整合多源数据、拆解交易资源实体、构建交易信息关联网络模型，利用风险传播算法对新发生交易风险评估，有效挖掘潜在洗钱风险，实现智能反洗钱。

后续，我们会在创邻科技微信公众号发布更多图数据库热点应用场景和前沿资讯，并将可复现的数据集、建模方法、查询语句进行公开，欢迎对图数据库感兴趣的同学关注。