案例分享 | 联邦学习在洗钱风险管理中的应用展望

商业银行在洗钱风险管理中应用联邦学习技术，可以打破数据壁垒、实现数据的“可用不可见，可控可计量”的安全共享，同时全流程可验证、可追溯、可解释、可审计、可监管，为构建基于人工智能和大数据的洗钱风险管理体系夯实基础，对洗钱风险防控有重要的积极意义。本章将从洗钱风险管理的应用场景角度，具体阐述联邦学习在商业银行洗钱风险管理中的应用价值。

1.联邦学习在可疑交易甄别中的应用

目前，商业银行通过专家规则、数据排查等传统方式及大数据、人工智能等新兴技术对自身积累的海量、多维度的高质量、高价值的客户数据进行分析，识别客户风险和可疑洗钱活动。由于在洗钱活动的各个阶段中，非法资金在合法化的过程通常涉及多家金融机构及非金融机构。从整个资金的流通过程来看，仍然存在“数据孤岛”现象，商业银行单纯的对本机构积累的数据信息进行分析，不能全面的掌握非法资金流通的整个链路，不能全方位的掌握人物关联关系、账户关联关系、交易时序及资金流向等，难以有效识别洗钱行为，进而导致可疑交易的误排除或误上报。

根据中国人民银行发布的《银行业金融机构反洗钱现场检查数据接口规范（试行）》（银发〔2017〕300号）、《金融机构大额交易和可疑交易报告管理办法》，以及中国银保监会发布的《银行业金融机构监管数据标准化规范（2021）》（EAST5.0）要求，各商业银行所保存的数据要素标准基本一致，即数据特征维度重叠较多，可以应用横向联邦学习技术，各自在本地训练模型，并通过同态加密技术和协议进行参数交换，从而构建一个共有的联合模型，实现在保护本机构客户隐私、原始数据不出本地的前提下，合法合规地从多源数据中训练出更加准确的反洗钱可疑交易监测模型，进一步提升商业银行洗钱风险管理质效，以有中心服务器的联邦学习技术构建可疑案例监测模型为例（如图1所示）。

图1  联邦学习在可疑交易甄别中的应用

2.联邦学习在客户身份识别中的应用

客户身份识别、客户身份资料和交易记录保存以及大额和可疑交易报告是反洗钱的三大核心义务。客户身份识别要求商业银行在各业务环节，秉持“了解你的客户”的原则，对客户信息、身份资料等进行审核，以确定客户真实身份，并登记有关身份信息。在客户身份识别过程中，商业银行经常需要查询运营商、工商信息等。商业银行大多采用将客户身份信息通过网络传输给第三方，第三方进行数据匹配，并反馈结果，这样客户具体去哪些商业银行办业务就可能被第三方记录，第三方可能会利用这个数据对客户做进一步分析，导致客户隐私的泄露。

本文以客户实名认证为例，客户来商业银行办理业务，商业银行在对客户身份识别过程中，可利用联邦学习技术进行客户实名认证，可以实现隐私保护的效果，商业银行将要验证的客户身份信息通过本地模型处理后，与运营商通过本地模型处理后的数据，利用联邦学习中的联合模型进行处理，商业银行得到联合模型处理后的结果，最终实现客户的实名认证。这样，商业银行不知道运营商除被查询客户的以外数据，运营商也不知道商业银行所查询的数据，实现了客户信息不被第三方了解和储存的功能。

3.联邦学习在反洗钱模型共享中的应用及激励机制建立

我国商业银行分为不同类型，可以细分为政策性银行、国有商业银行、股份制商业银行、城市商业银行、农村商业银行、村镇银行等。不同类型的商业银行反洗钱模型建设能力差别很大，一般大型国有商业银行和股份制商业银行的反洗钱模型建设能力要高于城市商业银行和农村商业银行，洗钱犯罪分子往往也了解这种情况，更倾向于通过洗钱风险管理能力较弱的商业银行清洗非法资金。

我们可以考虑，如果某国有银行的反洗钱模型建设能力更强，对可疑交易识别的有效性更高，而某农村商业银行反洗钱模型建设能力较弱。农村商业银行想复用国有银行的反洗钱模型，但出于数据保护的考虑，不能暴露自身数据，而国有银行担心模型规则泄露，亦不同意将自建的反洗钱模型部署到农村商业银行。此时，可以应用联邦学习技术，农村商业银行将自身数据通过同态加密技术或安全多方计算技术加密后，传输给国有银行，国有银行应用自建反洗钱模型进行处理，并将处理结果加密后传输给农村商业银行，农村商业银行解密后进行应用，这样就可以保证农村商业银行有效应用国有银行的反洗钱模型，但是自身数据不被国有银行知道。

通过以上反洗钱模型应用流程，可以考虑建立共享反洗钱模型激励机制，针对开发能力强、反洗钱模型效果好的机构，可以通过联邦学习技术向其他机构共享自己所研发模型的使用权，并设计合理的收费机制。这样反洗钱模型研发能力较弱的商业银行可以花费较少的成本提升自身的洗钱风险管理能力，研发能力强大的商业银行则可以获得中间收入作为激励。

4.联邦学习在洗钱风险管理中其他方面的应用

近年来，反洗钱管理日趋严格，国家及监管层面政策频出，2022年中国人民银行、公安部等11部门联合印发《打击治理洗钱违法犯罪三年行动计划（2022—2024）》，在全国范围内开展打击治理洗钱违法犯罪三年行动，足以体现出国家层面对洗钱风险管理的重视程度，未来洗钱风险管理的手段和措施也会不断丰富和完善。本文认为在以下几个方面也可以应用联邦学习技术提高商业银行洗钱风险管理的有效性。

一是联邦学习应用于客户洗钱风险等级评定。商业银行一般通过定性分析和定量分析两种方式对客户进行洗钱风险等级认定。在定性分析过程中，可通过应用联邦学习实现法院、公安机关、监察机关、国安机关、海关、税务机关等数据与商业银行数据的跨机构应用，使得商业银行在对客户进行洗钱风险评级过程中及时发现客户已经存在的相关风险，提高客户洗钱风险评级的准确性。

二是联邦学习应用于客户尽职调查。商业银行一般对产生预警信息的客户采取尽职调查措施、对系统评级为洗钱高风险等级的客户采取强化尽职调查措施。在对客户尽调的过程中，商业银行可通过应用联邦学习，实现工商信息、户籍信息、运营商信息的跨机构共享应用，确保客户身份识别信息的全面性和准确性，提高客户尽职调查质量。

三是联邦学习应用于外贸行业洗钱行为识别。外贸行业是洗钱高风险渠道，可以通过高报进口价格及预付货款名义，将资金从境内转移到境外，这是一种典型的向境外洗钱的手法。所以对外贸相关交易，商业银行应该有效辨明虚假贸易或虚假价格、识别客户信息及关联企业、审核贸易外汇收支情况、核实海关报关单、分析账户交易情况等。应用联邦学习，可实现商业银行数据、工商数据、外汇管理局数据、海关数据的有效共享挖掘，及时发现通过外贸交易的洗钱行为。

联邦学习大规模应用面临的问题

根据目前研究现状，联邦学习能够实现跨行业、跨机构的数据安全融合，提高商业银行反洗钱管理质效。但是，考虑到若大规模应用联邦学习技术，仍然存在一些问题，主要表现在以下几个方面。一是技术复杂，安全上存在一定的风险。联邦学习的原理和框架都比较复杂，由于要实现跨域数据传输和大量使用密码学算法，使用性能存在一定的压力。同时，应用联邦学习技术，在模型输出及部署过程中，可能遭受模型更新攻击、数据攻击、逃逸攻击等，存在一定的安全风险。二是尚未形成完整的解决方案。数据安全需要端到端的全流程防护，从客户的授权、数据采集、存储、流通、融合、应用的全流程，都是需要防护的，目前联邦学习主要集中在数据融合环节，对于数据流通的整个流程尚未形成一套完整有效的方案，没有确定的标准可以参考。三是应用推广困难。目前国家层面、监管层面尚未对隐私计算相关技术的推广应用出台相应的法规政策，不同行业、不同机构大多还是处在尝试阶段，很多机构对新技术的应用处于观望状态，不敢真正地将自身拥有的数据通过联邦学习技术对外开放应用。

建议与展望

往期推荐