AI如何輔助反洗錢系統

黃筑均
2019-02-23

技能觀測
2256
分享

反洗錢是現今金融產業的一項很重要的課題，我們今天來看看目前銀行對於反洗錢系統的可能困境，以及如何導入機器學習方法來改善：

什麼是洗錢

洗錢，就是將犯罪、貪污、賄賂、走私等等的現金、金融商品、不動產、珍奇異寶等等經由各種非法交易手段隱藏其金錢來源及性質，使得該收入表面上看起來並無異樣。

經由聯合國的報告，現金國際社會上的金融洗錢犯罪共佔了全球2%至5%的GDP值，每年所牽涉的違法金額超過2 萬億的美金。

而這類的犯罪，目前國際上所定義的反洗錢(AML)規則只能掌控幾乎不到1%的非法交易情境。但光是這樣的準確性，美國每年各家銀行花費在訂定、開發AML的自動化系統上費用就超過了500 億美元。

反洗錢(AML)

目前銀行業針對AML主要辨識的項目：

- 了解客戶樣貌及交易情況

這裡主要是要了解客戶的身分以及他們在金融上的交易狀況，這裡的身分不只有基本資訊(年齡、性別、居住地......)亦包含法定代理人、受益人、擔保人、所在公司的狀況、控股股東負責人等等皆須納入觀察

- 所有可疑的交易情境

台灣金融監督管理委員會自 2017 年 6 月 28 日公布了共53點的"疑似洗錢或資恐交易"情境，

產品服務(1)存提匯款類(2)授信類(3)OBU 類(4)貿易金融類(5)通匯銀行類(6)保管箱類(7)其他類
異常交易活動(1)交易行為類(2)客戶身分資訊類
資恐類
跨境交易類

以下簡單列幾點洗錢情境範例(條例來源:法務部調查局洗錢防制處附錄:疑似洗錢或交易樣態)

OBU類：客戶帳戶累積大量餘額，並經常匯款至其國外帳戶達特定金額以上。
資恐類 : 以非法營利團體名義經常進行達特定金額以上之跨國交易，且無合理解釋者。
客戶身分資訊類：辦理國外匯出匯款之匯款人與受款人間無法對雙方關係提出合理解
釋者。
跨境交易類：客戶經常自國外收到達特定金額以上款項後，立即再將該筆款項匯
回同一個國家或地區的另一個人，或匯至匯款方在另一個國家或地
區的帳戶者。

AML系統的困境

現今諸多銀行所使用的AML系統，是基於上述的53條樣態，去開發每一條偵查情境，如有可疑狀況便給予預警。當識別出可疑的交易比數，再經由大量的經驗進行人工覆核，挑選出可疑的交易進行呈報，

然而，真實的洗錢犯罪手法千變萬化，現行銀行所使用的系統大部分是針對最多到1 個月內的資料進行運算，較少使用到大量的過去，資料計算及存儲系統運算。有些犯罪者會抓住此盲點，將那些過去很少交易的帳戶用作洗錢人頭，將可能會躲過金管會所規範的情境識別，因此導致AML系統的錯報率至今仍是非常之高，大大浪費了人力以及物力。

隨著數位金融的蓬勃發展，如近期的區擬貨幣(彼特幣)交易及第三方支付，為我們帶來許多便利性，相對的也對洗錢集資恐犯罪者提供了更多的支線情境可以走，因此未來的洗錢防制更是一項必須且艱鉅挑戰的必要措施。