国际清算银行-Hertha项目_识别实时零售支付系统中的金融犯罪模式（英）-2025_29页_2mb

项目Hertha总结

核心内容

Project Hertha 是由 BIS Innovation Hub 的伦敦中心与英格兰银行联合开展的项目，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。该项目测试了人工智能（AI）模型在支付系统数据中的应用，以发现复杂的、协调的犯罪活动，并评估其相对于银行和支付服务提供商（PSP）单独监控的附加价值。

主要观点

• 金融犯罪的严重性：全球每年约有 3 万亿美元的资金通过金融系统进行洗钱和恐怖融资，而消费者和企业因支付、支票和信用卡欺诈损失约 4850 亿美元。
• 支付系统的作用：支付系统运营商拥有网络层面的交易数据，能够识别单个机构难以察觉的复杂犯罪模式。
• AI 技术的潜力：先进的 AI 模型在支付系统数据中表现良好，尤其是在识别新型金融犯罪模式方面，效果显著提升。
• 监督学习的重要性：监督学习算法在识别新型金融犯罪模式上优于无监督算法，可正确识别 31% 的未见过的犯罪账户，而无监督模型仅能识别 5%。
• 数据隐私与效率的平衡：项目使用合成数据，避免使用真实客户信息，以保护隐私，同时验证了模型在真实场景中的适用性。

关键信息

数据集概述

• 包含 180 万银行账户和 3.08 亿笔交易数据。
• 数据基于匿名银行交易和账户数据生成，使用生成式 AI 模型确保真实性和隐私性。
• 模拟了 2000 个金融犯罪方案，涵盖 10 种犯罪模式（如 Gather-scatter、Fan-in、Stack 等）。

犯罪模式分类

实验结果

• 识别能力：支付系统运营商在识别非法账户方面略逊于银行和 PSP，但通过与银行合作，识别能力提升了 12%。
• 新模式识别：在识别新型犯罪模式方面，支付系统表现更优，识别率提升了 26%。
• 模型性能：使用 XGBoost、Isolation Forest 和 UniTTab 三种模型进行测试，其中监督学习模型表现优于无监督模型。
• 模型校准：模型可以调整以聚焦于高风险账户，通过设定目标识别率（如 1%）实现对非法账户的精准识别。
• 隐私与数据限制：项目未使用真实数据，也未测试与外部数据（如制裁名单）的连接，因此结果不能完全代表现实环境。

实践洞察

• 支付系统分析在识别复杂犯罪模式（涉及多个账户和机构）方面特别有效，某些情况下可将检测准确率提高一倍。
• 监督学习模型需要基于已确认的犯罪案例进行训练，无监督模型效果较差。
• 模型的持续优化依赖于银行和 PSP 对其识别结果的反馈。
• 可解释性 AI 可提供有价值的辅助信息，帮助金融机构进行调查和报告。
• 项目未涉及数据共享责任的变更，保持了现有金融机构的角色与职责。

潜在应用与局限

• 应用前景：支付系统分析可作为银行和 PSP 的补充工具，提高金融犯罪识别的准确性和效率。
• 局限性：目前支付系统分析在识别涉及较少账户和混合支付方式的犯罪模式上效果有限。
• 进一步研究方向：可探索在跨境支付系统、大额支付系统及加密资产网络中的应用。

方法论

• 实验设置：项目使用合成数据集，模拟了零售支付生态系统，并测试了不同模型在识别已知和未知犯罪模式上的表现。
• 数据访问权限：银行和 PSP 可访问其客户的所有交易数据，而支付系统运营商只能看到时间、金额、用途及交易双方的匿名标识。
• 模型对比：在已知模式识别中，银行识别率为 52%，支付系统为 48%；在未知模式识别中，银行识别率为 33%，支付系统为 31%。

结论

Project Hertha 展示了支付系统分析在识别金融犯罪方面的潜力，尤其是在复杂模式和新型犯罪方面。然而，其效果仍受制于数据可用性、模型训练方式及隐私保护等现实因素。该项目为未来在支付系统中应用 AI 技术提供了有价值的参考和基础。