客戶洗錢風險的劃分形式和劃分模型研究

摘要：針對金融機構存在的劃分形式區分度不夠、劃分模型過于簡便、技術手段落后的問題，本文在對中外文獻的梳理和對江蘇省近40家金融機構調研的基礎上，深入研究了客戶洗錢風險的劃分形式和劃分模型。研究分析發現，劃分形式可分為離散型劃分和連續性劃分，劃分模型可參考信貸風險的模型分為內部法和外部法，它們各具特點，具有各自的適用范圍。據此，本文提出建立一個多層次的劃分形式和劃分模型的監管體系，推動我國金融機構的客戶洗錢風險劃分工作規范化，起到預防、發現、威懾洗錢犯罪的職責。

關鍵詞：客戶洗錢風險：劃分形式；劃分模型

中圖分類號：F842文獻標識碼：Ａ 文章編號:１００３－９０３１(２０12)03－００63－０4DOI:10.3969/j.issn.1003-9031.2012.03.15

一、引言

在金融行動特別工作小組和沃爾夫斯堡集團的倡導和影響下，各國反洗錢操作實踐和監管體系逐漸向以風險為本轉變。客戶洗錢風險劃分是風險為本原則的重要一環。作為我國反洗錢主管部門的人民銀行，更是對這項工作高度重視，先后出臺了《金融機構客戶身份識別和客戶身份資料及交易記錄保存管理辦法》（銀發[2007]2號）和《中國人民銀行關于進一步加強金融機構反洗錢工作的通知》（銀發[2008]391號），要求金融機構開展此項工作，并制定了金融機構落實此項工作的時間表。

但是，金融行動特別工作小組的建議和我國反洗錢規章都未對風險等級劃分制定具體的操作規程，金融機構因而多采取自主判斷來開展此項工作。通過對江蘇省近40家金融機構進行調研，發現大多數金融機構的風險等級劃分制度存在不合理之處，無法有效度量客戶的洗錢風險，問題突出表現在劃分形式區分度不夠、劃分模型過于簡便、技術手段落后等。目前，我國理論界對客戶洗錢風險的研究相對較少，而劃分形式和劃分模型等方面的研究甚至處于空白階段。因此，研究客戶洗錢風險的劃分形式和劃分模型在實踐和理論上均具有重要意義。

二、理論回顧

2007年，金融行動特別工作小組在《基于風險為本方法的反洗錢和反恐融資指引》①（簡稱《FATF指引》）中確立了客戶風險等級劃分在風險為本的原則中四大支柱的地位。但金融行動特別工作小組并沒有對客戶洗錢風險等級劃分的模型設置提出指導性意見，因此西方理論界對于該問題的研究方向也較為分散。其中較為主流的政策建議可分為兩類：一類提出簡化風險因素，另一類提出應用兼容性更強的數理模型。第一類的代表是Demetis、Angell（2007），他們分析了風險矩陣中的風險因素以及因素間的相互關系，據此來要簡化洗錢風險因素設置[1]。在關于數理模型方面，Watkins等（2003）指出通過分析大量的、復雜的金融交易序列并應用簡單線性表達式來監測客戶洗錢風險的效果并不明顯，由此提出應用數據挖掘技術來發現客戶洗錢模式特征[2]。類似地，Wang、Yang（2007）根據28個典型的洗錢案例構造了一個四維的決策樹規則，并應用其對現有的客戶劃分風險等級，最后實證證明了其有效性[3]。Gao、Xu（2007）將概念化模型（Conceptual modeling）和人工智能輔助模型引入客戶洗錢風險劃分，該風險等級劃分模型具有以下特點：一是實現動態識別。對客戶的風險等級劃分不僅局限于首次識別，而能夠根據客戶身份的變更、交易對等級做到實時調整。二是具有適應性。通過對未知的洗錢模式的學習能歸納出其風險特征，并制定相應監測規則。四是具有較強的兼容性。在不改變現有模型的情況下，兼容新洗錢模式的風險特征。四是具有較強的靈活性，不同拓撲結構的規則可以相互共存[4]。

相對于國外學者比較注重理論層面的研究，國內學者則更從注重操作層面研究風險等級劃分工作中存在的問題。童文俊（2009）、孫玉剛（2010）先后提到劃分形式區分度不夠、劃分模型過于簡便、技術手段落后等制約風險等級劃分的有效性[5-6]。

從上述文獻可以看出，西方文獻對于客戶洗錢風險的劃分模型研究主要集中在參數設置的有效性和部分模型的有效性。這些研究都是單一層次，由于金融機構間差異很大，很難應用一類模型覆蓋于所有金融機構。國內的文獻雖然從我國實際出發，認識到了問題的重要性，但并沒有討論解決此問題的具體措施。因此，本文在對江蘇省內金融機構調研的基礎上，深入研究客戶洗錢風險的劃分形式和劃分模型，并提出適合我國多層次的風險等級劃分規范。

三、風險等級劃分的表達形式

通過對江蘇省近40家金融機構的調研，風險等級劃分的表達形式可分為兩類：第一類是離散性劃分標準，在評定部分定性指標后，根據若干規定條款劃分風險等級；第二類是連續性劃分標準，按設定表達式對客戶風險因素加權評分，按區間劃分風險等級。

（一）離散性劃分形式

在被調研的機構中，絕大部分采取離散性風險形式。這種形式的特點是表達式比較簡單、制定標準相容易、操作比較簡便。

離散性劃分可分為兩類：一類是金字塔形，一類是橄欖形（圖1）。使用這兩類形式的機構量大體相當，其中金字塔型20家，橄欖型15家。“金字塔”劃分因其劃分比例類似于金字塔而得名，高風險客戶位于金字塔頂端，數量最少；中風險客戶位于中部，數量次之；低風險客戶位于底部，數量最多，是客戶的主體部分。“橄欖型”的劃分規則的特點是兩頭小中間大：較高風險客戶、較低風險客戶的數量較少，而中等風險的客戶是整個客戶體系的主體，數量最多。

兩種劃分方式均具有其合理性。根據國際風險協會（GARP）的風險手冊，洗錢風險屬于操作風險，其基本特點為低頻率、高風險，其風險分布特征表現為偏態，尖鋒、肥尾（圖2）。橄欖型劃分形式是按照風險積累（累計分布的豎軸）來截取的，一頭一尾為高風險、低風險客戶；而金字塔形的劃分標準是按照劃分的因素（橫軸）來截取的，表現為大部分的客戶為低風險，而中風險與高風險客戶數量逐漸遞減。

考慮到業務實際，金字塔形的劃分更為合理。由于普通客戶的洗錢風險較小，后續管理可相對簡便。而橄欖型劃分在簡化低風險客戶的后續管理效果方面并不明顯。

（二）連續性劃分形式

連續性劃分形式按照設定參數表達式對客戶因素進行加權，對洗錢風險進行評分，并按照不同等級的閾值劃分風險等級。由于連續性劃分在選取因素、確定因素系數等方面技術要求較高，目前僅少數機構采用這種劃分。但是連續性劃分量化了客戶洗錢風險，是風險等級劃分的較高等形式，是國際金融機構和理論發展的趨勢。與離散型劃分比較，連續性劃的優勢更為顯著。

第一，能將所有的風險因素統一到一個體系中。連續性劃分采用定量分析的方法能包含所有的定性、定量的因素，而離散型劃分采用定量參數相對困難，如變通地采取分段函數法，參數信息損失較多。

第二，方便對不同風險因素的比較。離散型的劃分標準按洗錢風險大小定性分為幾類，難以細致區分每個風險因素的風險彈性。而連續性劃分標準的不同風險因素的系數代表了其風險彈性，風險越高，則系數越大，反之亦然。

第三，能體現風險因素的積累。離散型的劃分標準往往將所有風險大小相似的元素分為一類，對于其中滿足一條或者幾條標準的客戶定為該風險等級。很顯然，滿足多個風險特征的洗錢風險等級要高于滿足單個風險等級。離散型劃分滿足同一檔幾個因素的客戶和滿足該檔單個因素的客戶不做區分，而前者的風險要遠高于后者。連續性的劃分形式更能體現風險因素的積累，區分上述情況的風險差異。

第四，方便風險因素的持續識別和風險等級的及時調整。連續性劃分形式更方便采用動態的監測手段，能實時接收交易數據，探測身份信息變更，從而及時反映風險變化。而離散型劃分只在審核期時調整，交易信息和身份信息變更若未達到規定條款的設定閾值，系統不會修改客戶的風險因素、更改風險等級。

四、風險等級劃分模型分類及優化

（一）外部法和內部法

根據巴塞爾協議II的精神，金融機構可選擇不同的信貸風險計算模型，按模型的來源可分為外部法和內部法，內部法根據照風險權重的設定來源又可細分為初級內部法和高級內部法。在巴塞爾協議中，客戶洗錢風險被歸類為操作風險，尚未被納入全面風險系統。仿照信貸風險的測算模型分類，本文嘗試提出多層次的洗錢風險等級劃分模型，試圖將其納入巴塞爾協議的全面風險系統。根據風險模型的來源不同，可區分為外部法和內部法。

外部法由監管機構規定風險等級劃分模型的風險因素、因素系數，監管機構保證模型的可靠性，并提供技術支持。監管機構可根據形勢變化或者研究成果，改變風險因素數量，調整因素系數。為保證外部法的易用性，風險因素的確定應相對比較簡單，采用國際公認的因素，如國籍、行業、是否為政要等。在初期推廣中，可采用這些風險因素加權，之后可考慮業務實際和理論研究成果加入交易類因素等。

外部法存在幾個缺陷：一是客戶洗錢風險的因素系數設定相對保守，劃分高風險客戶偏多，造成的洗錢風險撥備水平也相對較高。二是外部法按照行業統一的標準制定，無法根據各個金融機構的特殊情況進行調整。

內部法指由金融機構自己設計模型，確定風險因素、因素系數。有能力的金融機構能夠根據自身風險特點開發內部法模型，根據自身的業務實踐和研究成果來自行添加風險因素，并設定因素系數。內部法能克服外部法的缺陷，體現自身業務特點。為防止金融機構采用內部法低估風險，監管機構必須出臺相應的內部法懲罰機制。當金融機構內部法評估失誤率較高時，強制要求其撥備更多的風險資本。

（二）因素選擇與因素系數的優化

理論界要確定三個方向：第一，涵蓋更廣泛的因素類。金融行動特別工作小組公布的參數體系主要是身份類信息。為更好地監測客戶的洗錢風險，還應涵蓋交易類信息、綜合類信息。從信息的覆蓋面上來看，風險等級劃分應從多個角度來獲取信息。第二，分類分析，精簡因素。進行相關性分析，應用相關性矩陣剔除掉一些性質重復的因素。進行有效性分析，通過參數檢驗剔除掉無效的參數。第三，精確測算參數系數。洗錢罪的上游犯罪有7類，洗錢罪實現的途徑也是多樣的，因此客戶洗錢風險不同于信貸風險，是多維度的風險形式。因此，采用線性的參數模型是不足夠的，這也給參數的有效使用帶來了挑戰。且洗錢犯罪的外延和洗錢犯罪的形式也是隨著經濟形勢和金融創新而變化的，要求風險等級劃分模型具備較強的適應性。

（三）可供參考的幾類模型

西方理論界思考用工程學、人工智能的原理來管理風險，比較盛行的方法包括專家系統、聚類分析、BP神經網絡等。

1.專家系統。由具體長期從事此項工作的專家選取參數，確定參數系數，判斷依據為他們的經驗。在調研中，該模型的應用最為普遍。專家模型的優勢在于操作相對簡便，系數參數相對穩定。專家系統模型一般根據經驗確定系數參數或者決策樹路徑，其流程結構一般表現為線性結構或者是簡單拓撲結構，因此操作上相對簡單。由于專家的經驗積累相對時間較長，系數參數一旦確定后不會頻繁更改。專家系統一般分為4個層面：因素層、指標層、評判層、目標層。多個專家在評判層決定因素層和指標層的參數，并對于目標層的結果進行評估，根據評估結果修訂因素層和指標層。專家系統模型主要缺陷在于缺少理論依據，對專家的要求較高。專家系統模型的主要依據是經驗，對于參數的選擇和調整也是經驗，相對缺乏實證依據。專家系統的成功與否在于專家的經驗是否可靠有效，這是大部分專家系統的劃分模型區分度不高的原因。針對上述問題，專家系統可以考慮采取層次分析法和增加評判層的專家數量來部分彌補。

2.聚類分析。因為法律規定的反洗錢上游犯罪多達7種，洗錢的實現途徑也是多種多樣的，且洗錢犯罪分子隨時企圖規避法規監管而變更洗錢手法，所以客戶洗錢風險的特征并不像信貸風險那樣只有1個維度，其表現為多種洗錢特征。因此，采用空間拓撲結構要比簡單拓撲結構更合適。通過聚類分析的方法，洗錢風險模型通過對多個洗錢案例的學習，提煉出幾種洗錢的特征，然后根據識別比對系統對客戶信息進行比對判斷，判斷結果為與某種洗錢方式的相似度百分比，而后根據空間距離加權函數來決定客戶洗錢風險的大小。聚類分析的優勢主要在于系數參數設置更科學，能夠排除主觀判斷的干擾，能兼容其他的洗錢方式。系數參數都是由聚類分析的訓練函數所確定，在訓練中也可以設定有導師學習、無導師學習、再勵學習等模式。當新的洗錢形式的出現，可以繼續啟動再學習過程，表現出很好的兼容性。聚類分析的主要缺陷在于可能存在數據挖掘陷阱和技術要求較高。

3.BP神經網絡。BP神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前在操作風險測算領域應用最為廣泛的神經網絡。BP網絡能學習和存貯大量的輸入—輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最快下降法，通過反向傳播不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層、隱層和輸出層，特別適用于成因尚未被探明的風險模型，因此它適合應用于客戶洗錢風險模型，它和聚類分析一樣可以通過學習來發現風險模式。它具有和聚類分析一樣的優勢，但區別于聚類分析，它的反饋學習始終是動態的，表現出更好的兼容性和更能捕捉新的風險客戶形式。這是BP神經網絡具有逆向傳播的特性息息相關的，對輸出層的檢驗是實時的，一旦意識到新的洗錢風險類型，也可以立即對隱層的拓撲結構進行修改。BP神經網絡在所有的客戶洗錢風險模型中的應變性最強：第一，和聚類分析一樣，可以動態探測客戶洗錢風險的變化；第二，能夠根據洗錢的新形勢動態自動改變自身的模型規則。

五、結論

針對金融機構存在劃分形式區分度不夠、劃分模型過于簡便、技術手段落后的現狀，倡議相關部門人民銀行應盡快建立具有指導意見的操作，并可對金融機構采取多層次措施指導、規范其劃分形式和劃分模型。

（一）允許金融機構采取多層次的風險等級劃分形式

目前，劃分形式主要可以分為離散型劃分和連續性劃分。離散型的劃分側重于定性分析，連續型的劃分側重于定量分析。離散性劃分適合于劃分業務關系簡單、交易數量較少、交易對手明確的客戶，連續性劃分適合于業務關系復雜、頻繁交易、交易對手眾多的客戶。原則上應鼓勵金融機構采取連續性劃分，以便實時監測風險因素，及時調整風險等級。

（二）允許金融機構采取多層次的風險等級劃分模型

客戶風險等級劃分模型在某種意義上說也是風險資本的測算模型，主要分為外部法和內部法。和信貸資本模型類似，金融機構可以自行選擇。內部法層次相對較高，應鼓勵洗錢風險相對較大，研究能力和科技能力相對較強的銀行采取這種方法。而對于其他金融機構可以采取由人民銀行或者行業協會指導發布的外部法，從而提高劃分模型的有效性。

（責任編輯：陳薇）

參考文獻：

[1]D.S Demetis， I.O Angell.The Risk-based Approach to AML:Representation， Paradox， and the 3rd Directive[M].Journal of Money Laundering Control，2007.

[2]R. C Watkins， K.M Reynolds， R Demara， M Georgiopaulos， A Gonzalez， R Eaglin.Tracking Dirty Record: Exploring Data Mining Technologies as Tools to Investigate Money Laundering[M].Police Practice and Research，2003.

[3]Su-Nan Wang，Jian-Gang Yang.A Money Laundering Risk Evaluation Method Based on Decision Tree[M].Machine Learning and Cybernetics，2007.

[4]Shijia Gao， Dongming Xu.Conceptual modeling and development of an Intelligent Agent-assisted Decision Support System for Anti-money Laundering[M].Expert Systems with Applications，2009.

[5]童文俊.金融機構基于洗錢風險的客戶分類管理分析[J].海南金融，2009(9).

[6]孫玉剛.論金融機構反洗錢客戶風險等級分類管理[J].武漢金融，2010(10).