國際洗錢防制交易監控之產業觀察與未來展望

過往三年中，臺灣有多家金融機構因防制洗錢及打擊資恐相關缺失而受金管會裁罰懲處。我們於業界觀察到可疑交易監控普遍存在兩大主要問題。

概要

• 我們於業界觀察到可疑交易監控普遍存在兩大主要問題。
• 市場上領先案例新興部署的混合式交易監控技術方法，相信能有助金融機構用於解決當前問題。
• 根據研究，交易監控的領先同業採取了數項關鍵措施優化其交易監控機制。

前言

近期的監管行動更加關注可疑交易監控及其在保護經濟方面的作用。在一個不斷發展與更新支付方式的全球化世界裡，犯罪分子正在利用銀行過時的交易監控能力進行洗錢或犯罪行為。跟隨美國和英國監管機構的腳步，澳洲交易報告和分析中心（AUSTRAC）最近向各大銀行開出了合計20億美元的裁罰，而這些裁罰案件中都有交易監控缺失的情況。同樣的，在過往三年中，臺灣亦有多家金融機構因防制洗錢及打擊資恐相關缺失而受金管會裁罰懲處。

我們於業界觀察到可疑交易監控普遍存在兩大主要問題：

1. 當前大部分反洗錢交易監控系統產出結果缺乏實證性
   可疑活動報告（SAR）提交後能得到的反饋很少，因此金融機構通常無法得知可疑活動報告（SAR）是否啟動了對洗錢行為的即時調查，同時也缺乏可靠的反饋來評估不同工具和技術的有效性。
   
   
2. 大量無效的警示數量正在推高營運成本
   許多金融機構反應多數根據反洗錢交易監控系統所生成的警示名單，最終沒有提交任何可疑活動報告（SAR）。
   在監管壓力的驅使下，一些金融機構被迫採取倉促的方法來建立新的交易監控探測和調查能力。這將造成金融機構自身成本增加和效率低下的問題。我們相信藉由觀察市場上的領先技術與案例，並投資於正確且基礎的解決方案，將使金融機構能夠比現在更有效的進行交易監控，亦能更健全地因應未來快速發展的支付世界。

混合式交易監控技術方法

以下摘要整理安永與歐洲金融市場協會（AFME）合作發布的《洗錢防制交易監控市場研究報告》¹ 觀察到市場上領先案例新興部署的混合式交易監控技術方法，相信能有助金融機構用於解決前述兩大主要問題：

（一）組成專責案件調查小組

專責案件調查並非針對以系統運算規則產出結果之案件進行進一步調查，而是組成系統外且常態性的調查小組，根據內部擁有的多種資源進行一系列偵查。這包含了內部防制洗錢團隊的合作、主管機關或執法單位的資訊與回饋、洗錢與資恐個案公開資訊蒐集、歷史案件、風險基礎分析，或管理層資訊等。專責案件調查分析有以下特點：

• 人工導向：由人工以資料探勘的方法分類資料，而不是透過系統以固定的規則運算產出警示後進行調查；
• 即時性：可依據案件調查所需資訊蒐集最新資訊；
• 彙整專家意見：基於專家智慧的分析方法，像是由前臺人員提出可疑的客戶、彙整其他同業的資訊做出的調查分析，或是由主管機關針對先前SAR申報的回饋進行調查；
• 多維度的風險分析：建構不同面向的分析方法，調查涉及最多風險維度的群體。如當剖析資料時，可根據客戶類型排除低風險的客群；亦可依據涉及多個交易通路與情境進行篩選；或是可根據交易產品類別進一步分類風險程度等，考量多維度／面向的交易行為分析都會讓調查變得更有準確性。

此外，專責小組調查分析可能會關注下列幾項特點，包含（1）客戶類型以及與客戶類型相關之金融商品；（2）相關金融商品特定觀察期間之交易紀錄；（3）選定多個分析方法進行交易調查，以有效調查是否有不尋常之交易活動。

然而，這種即時且案件導向的方法較無法大量有效率的進行分析與篩查，故仰賴自動化監控系統仍是需要與之並行的解決方案。

（二）關聯戶網絡分析（Network analytics）

網絡分析的概念是去觀察客戶與交易對象或群體之間的交易關係（如：調查雙方經常往來交易群體或是辨識兩個法人客戶是否屬於同一個關聯群體），而非僅就單一客戶或企業實體交易行為進行分析。

另外，與網絡分析可一同應用的是獨立性實體分析，也就是透過演算法去分辨是否兩個客戶實際上是指同一個人，或是兩個企業實體是否實際上是同一個公司或是有共同的母公司。好的獨立性實體分析可以改善反洗錢偵查，因為這些與同一客戶或企業實體相關的行為有更緊密的關聯性。獨立性實體分析與網絡分析在改善偵測方法與輔助複雜的調查時都有顯著的價值。

（三）以機器學習方法提升可疑交易監控方法

傳統規則上的交易監控注重在設計「交易金額與交易頻率」的篩選條件，雖傳統交易規則可產出統計上顯著之可疑交易資料，但系統規則設定若過於嚴苛或複雜，則可能無法篩出警示，且對於複雜之交易情境產出有效結果之成效不彰。部分金融機構在可疑交易監控上取用了多種資料源並使用更高維度的分析方法，特別是機器學習演算方法。下列摘要彙整幾項使用機器學習改善其產出有效警示並進一步提升傳統規則監控方法的應用方案：

1. 交易行為分析：即便洗錢行為技術上只存在於支付與金流中，但是監控可疑交易行為的最佳風險因子實際上是交易行為本身，建構不同情境之交易行為分析方法，可以優化現有系統依據固定規則篩選警示之結果。
2. 納入更多參數：比起主流的「金額與頻率」衡量方法，增加更多參數（如：交易產品、交易週期、帳面價值、成交價值，客戶類別等），進到模型當中。
3. 導入分群方法：以前一點的參數進行演算法運算，分析客戶交易的分群，並且定期重新運算更新分群的條件，如：一個月一次或其他條件。
4. 進行離群值分析：指比較同個群體和過往的交易行為，觀察是否有客戶的行為跟同群體的客戶有極大落差。孤立森林演算法（Isolation Forest）往往是這個分析上十分有效的方法。
5. 導入監督式學習方法：建構與累積標籤資料，根據過往的案例去標籤和辨識哪些參數是可以用來辨識可疑交易行徑。

方案3、4和5可以改善模型找出傳統規則篩選方法下較難識別的可疑交易行為。即便透過機器學習方法可能產生偽陽性案件（指雖非可疑交易但被演算法認定為可疑交易案件），進階演算法對於辨識傳統的「金額與頻率」篩選方法無法偵測到的交易行為，仍有很大的價值。

（四）將客戶風險參數維度納入交易監控考量

當與客戶第一次接觸，或是客戶的個人資訊改變，進行KYC是了解該客戶潛在的金融犯罪風險的必要手段。交易監控除了態樣情境考量，亦應將客戶風險等級納入考量，如：針對不同客戶的風險等級給於不同程度的交易監控門檻條件，或是以觸發的警示給予不同警示分數。

通常在監控不同風險等級的客戶僅會有些微的差異，比方說對於高風險客戶如重要政治性職務之人（PEP）給予下調10%或20%的門檻條件。但實際上，客戶會比起他們歸類在的風險程度呈顯更大程度的不同。舉例來說，公司跟一個總部在低洗錢風險國家的優良企業客戶做交易，比起跟零售經紀商或是私募基金來的有較低的洗錢風險。此外，根據情境分析，交易的發生地點或通路也會有顯著的差異。因此將客戶風險維度納入交易情境中進行分析，對於可疑交易監控來說是很重要的。

整體而言，混合式的交易監控方法，如：傳統交易監控搭配機器學習和與專責小組調查並輔以新技術的投資，如：網絡分析等技術，或許是金融機構在建立有效的反洗錢控制或優化現有監控機制更好的解方。有了更準確的模型，更加準確的警示案件轉換比率（警示案件實際轉換為有效申報SAR的比率）會比較高，雖然可能產生較多SAR申報情況，但可以期待看到比傳統模型產生更少但更準確的警示，且降低警示調查而日益增加之營運成本。

關鍵措施優化交易監控機制

隨著市場愈加複雜且新型洗錢行為層出不窮，金融機構在自動化反洗錢交易監控系統中採用固定篩選規則，在時間與資源投入尚無法及時有效到位的情況下，可透過持續對人員技能和技術進行投資，並採用多種混合方法以達到交易監控較佳的防範效果。根據研究 1，交易監控的領先同業採取了下列幾項關鍵措施優化其交易監控機制，包含：

（一）建立基礎

• 獲得管理層的支持，建立穩健的監控框架，並在其中加入績效標準以利後續持續改進監控框架。
• 制定具體的交易監控方法論並隨業務發展持續精進，以因應可能出現的相關洗錢風險。
• 建立明確定義的政策與辦法、監督框架和治理架構。

（二）提升技術能力

• 在系統資料庫的權限範圍內整合和連接數據源以取得更多資訊。
• 考慮單位營運的性質和規模，並建立靈活的分析環境。
• 在交易監控系統中嵌入清晰的流程規劃，方便管理者能進行添加、修改和刪除等功能，使受監管方針影響的變更能即時生效。
• 針對獨立性實體金融機構實施跨數據共享並提供功能允許在有價值的情況下進行網絡分析和機器學習。

（三）提升團隊技能

• 建立專業技能團隊，成員具有相關領域經驗和數據分析能力。
• 培養團隊在市場理解、分析能力和金融犯罪知識方面的專業知識。

（四）優化交易監控系統

• 導入自定義分析與機器學習技術以改進檢測類型。
• 專注於監控貿易活動的特定產品與客群。
• 停用長期沒有警示的態樣情境。

（五）進行以專責小組為主導的調查

• 調查過程應考慮風險的所有維度，包括客戶風險、市場/通路風險、產品風險及地域風險。
• 調查流程需因應市場環境進行調整，因此在辦法、政策和治理流程應具有靈活性以因應不同等級的風險情形。

（六）建立與同業知識和數據分享計畫

• 支持行業論壇建立，以達成對有效監測的共識。
• 分享匿名案例和生產類型或方法的相關見解。
• 基於數據保護和隱私之前提，支持數據共享計畫。

參考文獻
1. AFME&EY 《Anti-Money Laundering Transaction Monitoring in the Markets Sector：An industry perspective 》October 2021