Hertha项目：识别实时零售支付系统中的金融犯罪模式2025

项目背景与目标

项目Hertha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。该项目由BIS创新枢纽伦敦中心和英格兰银行联合发起，重点关注打击洗钱犯罪，并假设银行、支付服务提供商和支付系统运营商的角色和责任不会发生变化。

数据与方法

项目使用了一个包含180万银行账户和3.08亿笔交易的复杂模拟合成交易数据集，该数据集由AI模型训练生成，旨在模拟一个单一司法管辖区的零售支付生态系统。数据集中包含了2000个模拟的洗钱方案，涵盖10种常见的模式。项目测试了不同类型的机器学习模型，包括XGBoost、Isolation Forest和UniTTab，并比较了银行和支付系统在单独工作和合作情况下的检测效果。

研究结果

• 单独工作 vs 合作：银行和支付系统在单独识别非法账户方面表现相似，但银行略微更有效。然而，通过支付系统分析，银行和支付服务提供商可以识别出12%更多的非法账户，同时减少误报。
• 不同类型的金融犯罪：支付系统分析在识别涉及多个银行和支付服务提供商的复杂方案方面特别有效。对于一些方案，检测准确率提高了两倍。
• 新类型的金融犯罪：监督学习算法在识别未见过的金融犯罪模式方面远优于无监督学习算法。监督学习算法正确识别了31%的账户，而无监督学习算法仅识别了5%。
• 模型校准：模型可以有效地调整，以专注于一小部分最高风险的账户。例如，如果仅标记风险最高的500个账户（0.2%），则其中只有5%是误报。
• 深度学习模型：深度学习模型在识别未见过的模式方面表现优于传统的机器学习模型，并且在网络分析方面也更有价值。

关键洞察

• 模型反馈循环：一个有效的反馈循环对于训练和持续改进分析模型至关重要。银行和支付系统需要不断提供有关标记账户结果的反馈，以便模型可以进行调整和改进。
• 可解释人工智能：可解释人工智能方法可以帮助银行和支付服务提供商更好地进行调查和报告。了解模型识别可疑活动的理由将有助于进行调查和报告可疑活动。
• 行业影响：改进的交易分析可以促进更好的公共政策成果，并降低银行和支付服务提供商的合规成本。
• 隐私保护：任何交易分析解决方案都必须保护用户隐私。项目结果表明，隐私保护分析可以提高结果，并符合数据最小化和存储限制的原则。

未来研究方向

• 交易追踪：从已确认的情报（例如，报告的欺诈）开始，识别其他连接的账户和交易。
• 合作调查：银行和支付服务提供商可以合作进行联合调查和共享情报，以建立完整的画面。
• 扩展到其他类型的支付系统：将类似的方法应用于大额和跨境支付系统，以及加密资产网络。