反洗钱网络分析——一项系统性文献综述与实验评估

洗钱问题构成了普遍而严峻的挑战，其通过资助非法活动对社会造成沉重负担。鉴于洗钱行为通常涉及多方关联，网络信息的运用正日益成为提升反洗钱（AML）效率的重要研究方向。这一趋势推动了网络分析（Network Analytics, NA）在反洗钱领域研究的迅速发展。然而，现有文献在NA应用于AML的研究中仍呈现碎片化特征，缺乏对现有工作的系统性综述，导致人们对各类方法的应用方式及其相对检测能力的理解有限。为此，本文基于Web of Science和Scopus数据库收录的97篇文献，开展了一项全面且具有独特性的文献综述，构建了一个遵循近期提出的欺诈分析框架的分类体系。研究发现，当前多数研究仍依赖专家规则与人工特征工程，而深度学习方法正逐渐受到关注并获得广泛应用。本文进一步提出一个标准化的综合评估框架，用于系统比较主流NA方法在统一实验设置下的性能表现。该框架在两个公开可用的数据集上进行了实证应用，对比了人工特征工程、基于随机游走的方法以及深度学习方法的检测效果。研究得出以下结论：（1）网络分析显著提升了预测能力，但在使用图神经网络（GNN）时需谨慎对待类别不平衡与网络拓扑结构带来的影响；（2）在使用开源数据时应保持审慎，因其可能导致结果过于乐观，难以反映真实场景下的性能。本文所公开的代码实现为研究人员和实务从业者提供了可扩展的基础，支持其在自有数据上开展实验，推动了反洗钱领域网络分析方法在分析与评估上的标准化进程。