文 / 中国人民银行保山市分行 蒋贵斌

涉案银行账户识别是账户管理的重要方面，智能快速地区分涉案账户和非涉案账户是账户管理亟需解决的问题。当前，人工智能算法蓬勃发展，许多智能算法可便捷高效地实现银行账户分类，有效区分涉案账户和非涉案账户，区分涉案账户类型，实现对涉案账户的精准识别，最终实现对违法犯罪的精准打击。中国人民银行保山市分行课题组依托现有数据资源，使用聚类智能算法，分析账户流水，提取账户数据特征，尝试开展智能化账户数据分类识别。

主要做法

1.充分利用现有数据资源

账户数据作为个人隐私数据，受到国家法律法规的严格保护。账户数据的采集是课题研究的基础和关键。根据工作安排，基层人行支付结算部门掌握了本辖区的涉案账户数据，经过多方协商，课题组对本机构掌握的涉案账户数据进行了脱密脱敏处理，不采集涉案账户的姓名、交易对手、摘要等信息，仅对账户流水进行整理和有效信息提取，并严格保证提取数据仅用于课题研究使用。为保证课题研究质量，课题组除采集涉案账户数据，还对正常账户流水数据进行数据整理和提取分析，进行数据脱密脱敏处理，并取得相关人员同意授权。

2.调用聚类智能算法模块

智能算法分为有监督的智能算法和无监督的智能算法，有监督的智能算法需要给定参考结果，无监督的智能算法对数据进行自动分类聚合。伴随着新型电信网络诈骗和洗钱犯罪的发展，犯罪分子有意避开传统账户特征算法识别，比如：有意避免夜间交易、大额交易等，如使用有监督的智能算法模型，需要反复调整给定结果。本课题使用无监督的聚类算法，能够在不给定参考结果的情况下，实现对涉案账户的动态聚类分析，能够更加智能的追踪账户行为。本课题使用Anaconda平台下的Spyder工具进行编写，通过使用Python语言快捷方便地调用数据聚类分析库，通过调整参数，实现对数据的聚类分析，如，KMeans、DBSCAN等模块，调用Metrics模块对聚类分析结果进行评估。

算法简介

经典的聚类算法包括KMeans和DBSCAN，两个算法各有优缺点，适用于不同的聚类场景，需要根据实际情况进行选择和优化调整。

1.KMeans算法

KMeans顾名思义就是要将数据分为K个簇，需要我们根据自己业务知识和专家意见，给定聚成多少个簇，如，指定K=2，即将数据分为2簇或2类。Kmeans算法会随机初始K个质心，即初始中心点，然后计算每个数据与初始质心之间的距离，算法模型会将样本数据与距离最短的质心归为一类，完成第一次聚类以后，算法模型再次选择每一个簇内的中心点作为新的质心，使用新的质心再次计算质心与所有样本数据的距离，经过再次迭代，使得样本数据重新划分至不同的簇，以保证样本数据与所属簇质心的距离最短。经过多次迭代，即可实现对数据自动科学划分。值得注意的是，计算数据与质心的距离通常采用欧式距离，一般不采用曼哈顿距离。Kmeans算法适用于数据特征明显、簇间距离较大、能够较好区分数据的场景，对数据较为分散、数据特征不明显的场景，KMeans聚类效果不佳。

2.DBSCAN算法

DBSCAN算法是基于密度的带噪声的空间聚类应用算法，它是将簇定义为密度相连的点的最大集合，能够将具有足够密度的区域划分为簇，并在噪声的空间数据集中发现任意形状的聚类。DBSCAN算法需要指定领域半径和领域内样本数据量，首先随机选择其中一个数据，计算其半径范围内涵盖的样本数量，如果样本数量达到设定的数量，则再次将其辐射范围内的样本数据作为中心，以指定领域半径作为半径，再次查找新中心辐射范围内样本数量是否达到指定数量，如果达到，则以此类推进行扩张，如达不到，则停止扩张。DBSCAN算法可实现非规则数据的聚类，只要在设定半径距离内样本数量达到指定数量，即可进行向外扩张。由于个别数据在其指定辐射范围内无法达到指定样本数量，就不进行向外扩展，无法与其他数据进行聚类，被称之为离群点。DBSCAN算法虽然能够较好对非规则数据进行聚类，但聚类时间较长，对于大量数据进行聚类分析，需要的计算资源较高，花费的计算时间也比较长。

特征选择

账户流水特征的提取对开展涉案账户识别尤为重要，合理的数据特征能够使算法有效区分涉案账户与非涉案账户，能够进一步对涉案账户进行有效聚类，实现精准分类管理。课题组选取月最大交易量占年交易量占比、小于1元交易量占年交易量占比、快进快出交易量占年交易量占比作为算法识别特征。特征量的统计和计算使用Excel公式快速开展，有效提升统计效率。

月最大交易量占年交易量占比：涉案账户通常会长期处于休眠状态或零星交易状态，会在某个时间段突然出现爆发式交易增长，通过统计年交易量和月最大交易量，计算月最大交易量与年交易量的占比，能够较好地反映出涉案账户交易突然增长的特征。

小于1元交易量占年交易量占比：涉案账户通常会采用整存零取或零存整取的方式增加账户排查难度，逃避监管。根据当前我国居民消费习惯和水平，一般情况下，正常账户小于1元交易通常会很少。通过统计小于1元交易量占年交易量占比，能够较好区分涉案账户数据和非涉案账户数据。

快进快出交易量占年交易量占比：大多数涉案账户会被当作过渡账户使用，即，资金仅仅通过该账户过渡，实现资金快进快出。课题组通过对账户交易流水进行查找分析，计算流水中每笔资金与上一笔资金的和，如果和为0，判定该笔资金为过渡资金，反之则为非过渡资金。通过统计过渡资金交易数量，计算过渡资金交易量在全年交易量中的占比，将该占比作为快进快出交易量占年交易量占比，从而有效区分涉案账户与非涉案账户。

课题组还对最大重复交易量占年交易量占比、大于1000元的交易量占年交易量占比进行统计分析，但未能有效区分涉案账户与非涉案账户，两项指标未纳入聚类算法特征使用（见表1）。

表1 案例特征数据

代码实现

1.KMeans算法实现

（1）模块及数据导入。需要使用的模块包括：Pandas、KMeans、Metrics，Pandas用于数据的导入，KMeans用于对数据进行智能聚类，Metrics用于对聚类效果进行评估。从代码文件所在的根目录下导入数据文件hz.txt，传入三个变量yzd、xy1y、kjkc，其中yzd代表最大月交易量占比，xy1y代表小于1元的交易量占比，kjkc代表快进快出交易量占比。

（2）使用轮廓系数对分簇数量进行评估。该阶段目的是查找最佳分簇数量，即查找K值对应的轮廓系数，具体查找K值为2~19的轮廓系数。轮廓系数用于评估聚类效果，即簇内样本与簇外样本之间的距离应尽可能大，簇内样本间的距离应尽可能小。轮廓系数在-1至1之间，越靠近-1表示错误分类情况越严重，越接近0表示样本重叠程度越高，越接近1表示正确分类的效果越好。

轮廓系数评估见表2。从上表中可以看出，K值为2或3时轮廓系数最佳，即数据分为2~3个簇最优。通常情况下，轮廓系数大于0.6的聚类算法即可在实际工作中应用。

表2 轮廓系统评估一览表

（3）按照最佳K值进行聚类，并添加标识列。按照轮廓系数评估选出的最佳K值进行训练，即2个簇或3个簇，本次聚类采用3个簇，并将训练结果添加到数据系列中。

聚类结果见表3。

表3 KMeans算法模型聚类结果表

（4）结果验证。使用Metrics模块对算法轮廓系数进行评估，轮廓系数输出为0.6268421139801665，大于0.6，可以参考。样本案例中0、1、2为正常用户数据，识别为一个簇，该簇还囊括了22、19、16等其他涉案账户，其余样本数据识别为另外2个簇。可以看出，KMeans算法能够较好地将正常用户数据识别为一个簇，聚类结果可以为涉案账户识别提供参考。在实际工作中，如果新加入的样本数据没有被划分为0簇，应当对新加入账户进行分析排查，很有可能属于潜在涉案账户。

2.DBSCAN算法实现

（1）模块及数据导入。需要使用的模块包括：Pandas、DBSCAN、Metrics，Pandas用于数据的导入，DBSCAN用于对数据进行智能聚类，Metrics用于对聚类效果进行评估。从代码文件所在的根目录下导入数据文件hz.txt，传入三个变量yzd、xy1y、kjkc，其中yzd代表最大月交易量占比，xy1y代表小于1元的交易量占比，kjkc代表快进快出交易量占比。

（2）设置最佳参数进行聚类，并添加聚类标识列。DBSCAN需要设置随机中心辐射半径以及辐射半径内最小样本数量。如果中心点辐射半径内，数据样本数量达到最小数量，那么半径辐射范围内的样本数据再次以自己为中心，根据设定的半径和半径辐射内最小样本数量继续向外扩展查找。通过设置不同的半径和最小样本数量，查找最佳轮廓系数。其中辐射半径设置为8，最小样本数量设置为3，轮廓系数为0.5902990068510852，已非常接近0.6，可以用于数据样本聚类。最后，通过设置标签列cluster_db，将聚类结果添加到系列当中。

聚类结果见表4。

表4 DBSCAN算法模型聚类结果表

（3）结果验证。从结果输出表中不难看出，DBSCAN智能算法成功将样本数据分为3类，分别是0、1、2，标识为-1的数据样本为离群点数据，即离群点数据在半径为8的范围内没有涵盖3个以上样本数据，没有与其他样本数据聚为一类。在标识为0这一类数据当中，涵盖了0、1、2三个正常账户数据，同时，还将7、10、16等其他样本数据分为这一类，表明该智能算法能够初步将正常账户划为一类，其他与正常账户相似或距离较近的涉案账户也归为此类，其余的涉案账户成功归为其他类，并进一步作出1、2两个聚类区分。

3.KMeans与DBSCAN的对比分析

KMeans与DBSCAN两个智能算法在没有参考的情况下，也就是无监督的状态下，均成功实现对样本数据的聚类分析。两个算法分别将样本数据分为0、1、2三个簇，其中DBSCAN除了聚为3个簇，还存在3个离群点数据。从聚类结果看，KMeans算法0、1、2三个簇涵盖的样本数据和DBSCAN算法0、1、2三个簇涵盖的样本数据基本一致，两个算法的轮廓系数均在0.6左右，且能成功将正常账户数据和涉案账户数据进行初步甄别和区分，能够在实际工作中发挥一定的提前预判和预警作用。

存在的不足

一是特征变量选取难以达到理想状态。此次聚类算法实践应用提取样本数据中的月最大交易量占比、小于1元交易量占比、快进快出交易量占比3个特征用于聚类分析，聚类效果基本达到预期。课题组还尝试加入最大重复交易量占比和大于1000元交易量占比，加入后反而降低了聚类的轮廓系数。随着管理部门加大对银行账户的管控，涉案账户呈现多元化特征，违法人员有意通过多种方式规避监管，导致涉案账户特征变量选取困难，使用传统的涉案账户特征开展智能分析效果不佳。

二是相较于监督式智能分析聚类算法效果不够理想。有监督式的算法模型能够为智能分析提供判断参考，有效区分涉案账户和非涉案账户，可以较好在实际工作中应用。聚类算法属无监督式学习分析算法，加之涉案账户特征不断变化翻新，导致聚类算法将部分涉案账户与正常账户划为一个簇，算法模型分析效果不够理想。

三是单一的算法模型在支持实际应用方面力量单薄。KMeans和DBSCAN两个聚类算法轮廓系数评估仅为0.6左右，可以作为涉案账户和非涉案账户区分的参考，实际应用中，还需要对聚类算法模型开展大量训练。仅仅使用单一的算法模型开展涉案账户分析，显得力量单薄，准确锁定涉案账户尚存在一定困难。

改进的方向

一是采用多种方式选取特征变量。密切跟踪涉案账户动向和变化，分析提取涉案账户最新最明显的特征。充分利用分析研究部门成果，结合工作实际合理选择涉案账户特征。使用主成分分析方法，在繁杂的涉案账户特征中查出主成分，科学高效开展涉案账户聚类分析。

二是加大聚类分析学习样本数据量。通过多种方式收集涉案账户数据和非涉案账户数据，开展大规模数据下的聚类算法模型训练，提升聚类算法模型分析的准确性，降低聚类算法模型错误判断比率。

三是采用多种算法模型，形成涉案账户识别合力。除了采用KMeans和DBSCAN算法模型进行分析，还可以同步开展逻辑回归、KNN、决策树等多种算法模型分析，在KMeans和DBSCAN对其他算法模型提供支持的同时，也使用其他算法模型为KMeans和DBSCAN提供参考，综合提高涉案账户识别成功率。

（此文刊发于《金融电子化》2024年10月下半月刊）