Modeling and empirical study on money laundering risk assessment based on administrative punishment cases
-
摘要:
基于中国人民银行行政处罚案例构建度量洗钱风险危害程度的评估模型并进行实证分析. 基于1717例中国人民银行行政处罚案例，构建5个一级风险等级指标. 利用层次分析法和熵权法对风险等级指标进行权重赋值，构建基于主客观方法相结合的行政处罚洗钱风险危害程度的评估模型. 利用随机森林模型检验指标权重的有效性和模型的准确性. 试验结果表明，测试集样本整体的F−score达到94%，研究成果可为行政管理部门从大量反洗钱行政处罚案例中发现典型案例和突出问题提供参考，推动和促进我国反洗钱制度建设.
Abstract:An assessment model based on the administrative punishment cases of the People’s Bank of China was built to measure the degree of money laundering and conduct an empirical analysis. Based on 1717 administrative punishment cases by the People’s Bank of China, five first-level risk level indexes were constructed. The AHP and entropy method were used to assign the weights of the risk level indexes, and an evaluation model was built based on above methods. The random forest model was used to test the validity of index weights and the accuracy of the model. The results showed that the F−score of the testing set was up to 94%. The research results can provide preferences for finding typical cases and prominent problems from the large number of anti-money laundering administrative punishment cases, and then promote the construction of China's anti-money laundering system.
-
Key words:
- administrative punishment /
- anti-money laundering /
- risk assessment /
- AHP /
- entropy method /
- random forest
-
表 1 5类地域的被开罚单数量和平均每单罚款金额统计表
Table 1. Number of tickets and the average fine of each ticket in five regions
地域因素 被开罚单数量 平均每单罚款金额/万元 高危地域 214 97.63 中高危地域 409 30.57 中危地域 643 26.71 中低危地域 282 27.10 低危地域 169 25.15 
下载: 导出CSV
表 2 机构和个人的处罚力度及对应的处罚金额
Table 2. Penalties of institutions and individuals and corresponding penalties
万元 处罚力度 机构处罚金额X 个人处罚金额Y 巨额罚款 $ \geqslant 50$ $ \geqslant 5$ 大额罚款 $30 \leqslant X < 50$ $3 \leqslant Y < 5$ 中额罚款 $20 \leqslant X < 30$ $2 \leqslant Y < 3$ 中小额罚款 $5 \leqslant X < 20$ $1 \leqslant Y < 2$ 小额罚款 $ < 5$ $ < 1$
下载: 导出CSV
表 3 违反规定条数汇总表
Table 3. Statistical table of violation provisions
违规条数 风险程度 被处罚
机构数量未公布违规
内容条数>4 高度风险 0 0 4 中高度风险 11 3 3 中度风险 120 32 2 中低度风险 405 106 1 低度风险 823 217
下载: 导出CSV
表 4 风险矩阵表
Table 4. Risk matrix table
极高 很高 中度 较低 极低 高危害 5 5 4 2 2 中高危害 5 4 3 2 1 中危害 4 4 3 2 1 中低危害 4 3 2 2 1 低危害 3 3 2 1 1
下载: 导出CSV
表 5 反洗钱处罚风险等级评估表
Table 5. Risk level assessment table of anti-money laundering punishment
洗钱违反项 危害等级 概率等级 风险等级 未履行客户身份识别义务 高危害 极高 5 未按照规定报送大额交易
报告或者可疑交易报告中高危害 很高 4 未按照规定保存客户
资料和交易记录中高危害 中度 3 与身份不明的客户进行交易或
为客户开立匿名账户、假名账户高危害 较低 2 违反保密规定，泄露有关信息的 中高危害 极低 1 拒绝、阻碍反洗钱检查、调查的 中高危害 极低 1 拒绝提供调查材料或者故意
提供虚假材料高危害 极低 2 未公布原因 中危害 中度 3
下载: 导出CSV
表 6 各指标分布情况表
Table 6. Indexes distribution table
地域因素 数量 处罚金额 数量 客户类型 数量 违规条数 数量 违规风险等级 数量 高危地域 214 巨额罚款 254 银行 1127 >4 0 5 1181 中高危地域 409 大额罚款 317 保险 270 4 14 4 156 中危地域 643 中额罚款 661 支付及其他金融机构 82 3 152 3 378 中低危地域 282 中小额罚款 430 期货证券 80 2 511 2 2 低危地域 169 小额罚款 55 个人 158 1 1040 1 0
下载: 导出CSV
表 7 行政处罚案例信息
Table 7. Administrative punishment case information
机构编号 地域因素 处罚
金额客户类型 违规条数 违规风险等级 1 上海 巨额
罚款银行 2 3 2 福建 大额
罚款个人 3 1 3 海南 小额
罚款期货证券 4 5 4 河北 中额
罚款支付及其他金融机构 1 4 5 云南 中小罚款 保险 2 4
下载: 导出CSV
表 8 5种风险等级行政处罚案例统计表
Table 8. Five risk levels of administrative punishment case statistics table
分类
样本低风险
样本中低风险
样本中风险
样本中高风险
样本高风险
样本个数 336 87 61 75 800
下载: 导出CSV
表 9 验证结果
Table 9. Experimental results
评价指标 分类样本 低风险
测试样本中低风险
测试样本中风险
测试样本中高风险
测试样本高风险
测试样本准确率 0.98 0.84 0.88 0.86 0.99 精确率 0.95 0.96 1 0.95 0.98 召回率 0.98 0.85 0.89 0.87 1 F−score 0.97 0.9 0.94 0.91 0.99
下载: 导出CSV
表 10 累计处罚次数
Table 10. Cumulative penalties
洗钱违反项 累计处罚次数 未履行客户身份识别义务 782 未按照规定报送大额交易报告或者
可疑交易报告347 未按照规定保存客户身份资料和交易记录 126 与身份不明的客户进行交易或者为客户开立
匿名账户、假名账户23 违反保密规定，泄露有关信息的 0 拒绝、阻碍反洗钱检查、调查的 2 拒绝提供调查材料或者故意提供虚假材料的 1
下载: 导出CSV
-
[1] 郑婉庆. 基层商业银行反洗钱工作现状、问题及对策[J] . 新金融,2020(7):37 − 42. [2] 张成虎, 赵小虎. 基于数据挖掘的洗钱交易识别研究[J] . 统计与决策,2009(19):123 − 126. [3] 吴玉霞, 牟援朝. 基于改进的两阶段聚类方法在金融可疑识别中的应用[J] . 统计与决策,2010(5):27 − 30. [4] 张成虎, 李霖魁. 基于信息融合的多层次多因素客户洗钱风险综合评估研究[J] . 湖南社会科学,2015(1):116 − 121. doi: 10.3969/j.issn.1009-5675.2015.01.023 [5] 张燕华, 薛耀文. 金融机构客户洗钱风险评估:基于中国洗钱案例实证研究[J] . 金融理论与实践,2015(3):24 − 29. doi: 10.3969/j.issn.1003-4625.2015.03.006 [6] 李然, 朱勇, 迟颖, 等. 客户洗钱风险评级多层次量化模型设计与实践[J] . 计算机与数字工程,2019,47(3):721 − 727. [7] 殷中强, 韩跃. 风险矩阵法在金融产品洗钱风险评估中的应用[J] . 山东财政学院学报,2014(5):31 − 36. [8] 王建胜. 商业银行洗钱风险自评估研究[D]. 厦门: 厦门大学, 2018. [9] 杨少文, 熊启泉. 1994—2011年的中国经济开放度:基于GDP份额法的测算[J] . 国际贸易问题,2014(3):13 − 24. [10] 陈贤. 我国保险业反洗钱机制研究[D]. 北京: 对外经济贸易大学, 2018. [11] SAATY T L. The Analytic Hierarchy Process[M]. New York: McGrew-Hill, 1980. [12] 张继国, (美)辛格编著. 信息熵: 理论与应用[M]. 北京: 中国水利水电出版社, 2012. [13] 朱雪龙. 应用信息论基础[M]. 北京: 清华大学出版社, 2001. [14] 童文俊. 金融业反洗钱客户身份识别制度的主要原则与关键环节[J] . 金融理论与实践,2011(10):29 − 32. doi: 10.3969/j.issn.1003-4625.2011.10.007 -
下载:
点击查看大图
计量
- 文章访问数: 452
- HTML全文浏览量: 171
- PDF下载量: 44
- 被引次数: 0
