撰文：Will 阿望
當前加密貨幣反洗錢（AML）領域主要以區塊鏈分析工具（Blockchain Analytics Tools， BATs）爲主導，例如 Chainalysis 和 Elliptic。儘管這些工具的鏈上能力很強大，但是一旦加密貨幣更多地與現實世界的場景結合——穩定幣支付，那麼如何才能在保障鏈上資金/錢包安全合規的同時，滿足鏈下現實場景的反洗錢合規要求？這個點是目前現實世界場景拓展穩定幣支付最爲關注的點，也是反洗錢合規必須回答的問題。
雖然目前加密貨幣交易所能夠使用區塊鏈分析工具（BATs），並將其平臺上面的用戶強 KYC 信息與之綁定——KYA 錢包+KYT 資產+KYC 用戶信息，進而實現相對合規的反洗錢措施以及風險監控。但是對於 C 端消費場景的穩定幣支付而言，還是存在漏洞，尤其是在目前穩定幣零售支付的社交娛樂場景中。
新加坡持牌數字資產服務商 MetaComp 的最新研究，撕開了行業風控的「遮羞布」。報告追蹤了 7,000 餘筆真實鏈上交易，發現：若只依賴 1–2 個 KYT（Know Your Transaction）工具做篩查，將有約 25% 的高風險交易被誤判爲「安全」並順利放行。換句話說，四分之一的潛在威脅在眼皮底下溜走——這已不再是風控「盲區」，而是吞噬風險的「黑洞」。
因此，鏈上的反洗錢合規不能僅僅做到使用單一區塊鏈分析工具（BATs）工具的認知盲區：用一隻眼睛看世界，還需要將其與鏈下法幣的反洗錢（AML）交易監控解決方案相結合。由此，我們編譯了 Deloitte: Conquering Crypto Crime 一文，來看將區塊鏈分析與實時交易監控相結合的一種解法，相信這種解法會推動穩定幣支付場景的進一步落地。
引言
區塊鏈技術與加密貨幣近年來備受關注。然而，尤其僞匿名性——甚至在某些情況下的完全匿名性——使得這些技術容易被濫用於洗錢活動。區塊鏈分析工具（BATs）目前處於打擊加密行業洗錢威脅的前沿。Chainalysis、Elliptic 和 Scorechain 等公司收集有關僞匿名和匿名區塊鏈地址的風險數據，並進行聚類分析以整合洞察。
例如，如果某區塊鏈分析工具（BAT）識別出一個與勒索軟件攻擊相關的區塊鏈地址，它會將該地址及其關聯的風險信息一併吸收並存儲。然而，儘管這些工具效果顯著，當前的方法和工具仍存在若干侷限：
端到端法幣與加密資產監控：BATs 往往缺乏追蹤法幣與加密貨幣之間兌換流向的能力，而這正是洗錢鏈條中的關鍵環節。
模式分析：BATs 通常只能依據簡單規則識別可疑交易或行爲模式，難以發現更復雜的異常，這既不符合監管要求，也限制了洗錢識別的深度。
間接風險評分：由於僅少數區塊鏈地址與已確認的犯罪活動直接關聯，BATs 往往只能給出間接風險評分。對於這類間接評分的地址，分析師在是否提交可疑活動報告（SAR）時常常面臨較大主觀判斷空間。
除了檢測率低（從而增加被用於洗錢的風險）之外，這些侷限還可能導致在遵守現行反洗錢法律法規時出現技術性缺陷。監管機構通常會（直接或間接）要求遵循由金融情報機構（FIU）和/或執法機關發佈的已知犯罪類型學（typologies）。各國金融情報機構及金融行動特別工作組（FATF）公佈的類型學案例，往往涵蓋法幣與加密貨幣混合交易以及更復雜的行爲模式，而這些場景僅靠區塊鏈分析工具（BATs）無法全面覆蓋。
此外，上述不足還會導致警報處理效率低下。與污點地址存在間接關聯、且風險等級處於中等區間的地址，往往觸發大量警報，卻僅提供有限的附加風險信息。這些警報通常最終被歸類爲誤報，使得運營人員不得不花費大量時間處理難以決斷的警報——而這些努力最終往往徒勞無功。
一、用實時交易監控補足區塊鏈分析的短板
上述侷限凸顯了必須將區塊鏈分析工具（BATs）與已在法幣領域普遍應用的反洗錢（AML）交易監控系統（Transaction Monitoring）進行互補的必要性。這些系統專爲處理法幣交易而設計，能夠基於複雜的場景模型進行分析。BAT 與「適配加密資產」的 AML 交易監控系統相結合，可以共同克服各自的不足。
1.1 打通法幣與加密資產交易
爲實現有效的風險管理，監控系統應將法幣與加密資產交易關聯起來，以呈現客戶的整體行爲，例如通過客戶號或賬戶 ID 進行整合。尤其在同時擁有兩類交易數據的加密貨幣交易所，這種做法能夠揭示僅靠單一維度（僅加密或僅法幣）無法發現的洞察。關鍵類型學（Typologies）聚焦完整的加密客戶旅程：從存入法幣、交易多種加密資產，到最終將法幣提取至另一家銀行賬戶。
1.2 複雜交易模式分析
要實現高效、有效的洗錢偵測，必須識別已知的（但尚未被察覺的）複雜洗錢行爲模式。雖然現代 BATs 允許創建規則，但通常侷限於簡單且往往是一維的標準（如金額閾值）。更爲複雜的規則集，乃至基於人工智能（AI）的模型——正如許多現代 AML 交易監控系統所採用的那樣——可幫助運營人員發現諸如「錢騾」（Money Muling）、賬戶直通（Account Passthrough）等常見且複雜的可疑行爲。
1.3 納入客戶風險數據
儘管傳統法幣領域尚未完全將靜態的「瞭解你的客戶」（KYC）數據與動態交易數據整合，但現代 AML 交易監控系統已支持這種綜合視圖，使運營人員能夠利用全部可用客戶數據以實現最優風險偵測。在加密領域，由於區塊鏈交易的僞匿名性，客戶數據與交易數據之間的關聯尤爲關鍵。爲實現充分的風險偵測，並覆蓋監管發佈的全部類型學場景，必須將靜態客戶數據、動態交易數據以及 BAT 提供的風險信息三者整合。
二、我們需要什麼樣的合規系統？
區塊鏈分析工具（BATs）是降低加密貨幣相關洗錢風險的基礎，但它們還需要現代交易監控系統所提供的補充功能。將加密市場工具與現代監控系統整合，是實現高效、有效 AML 合規的未來路線圖。利用基於 AI 的模型來識別已知與未知模式，並對 BAT 初步識別的風險進行再排序，不僅極具意義，甚至可能是大勢所趨。我們主張，以協調、全面的方式同時使用 BAT 和現代傳統法幣監控工具，以實現高效、有效的反洗錢合規，最終遏制區塊鏈技術與加密貨幣交易被濫用的現象。
具體而言，我們推薦以下方式將 BAT 與現代金融犯罪技術系統進行整合：
2.1 統一用戶界面
整合用戶界面可讓運營人員在單一、同步的平臺上無縫訪問並展示分析、覈驗交易所需的全部信息，而非在多個獨立應用間來回切換。把客戶數據、法幣與加密交易、複雜行爲模式以及風險優先級模型集中呈現，可顯著提升處理效率。
2.2 法幣與加密資金流的聯合呈現
該核心建議源自將兩類交易用統一格式呈現的價值。犯罪分子往往試圖將非法收益重新注入合法金融體系，因此有效的監控必須將法幣與加密交易關聯並統一分析。當運營人員能夠查看這一完整鏈路時，就能更好地識別並緩解複雜的洗錢模式。
2.3 用於檢測與結果排序的 AI 模型
AI 模型可通過異常行爲檢測和基於對比風險分析的警報優先級排序，提高效率和準確性。此外，這些模型還能根據多維風險指標，對 BAT 的初步發現進行動態再排序；在加密交易中，資金往往經過多筆連續轉賬，風險分數常處於「灰色地帶」，AI 排序尤爲重要。值得強調的是，所用模型應具備透明性與可解釋性；特別是出於監管目的，AI 生成的決策必須附帶人類可讀的解釋。
複雜的交易模式與客戶風險數據會阻礙加密相關 AML 合規的有效性。然而，通過整合用戶界面、聯合呈現法幣與加密資金流，並藉助 AI 模型進行結果排序，可以顯著提升監控流程的效率與質量。因此，將區塊鏈分析系統與傳統 AML 系統整合，是提升加密領域反洗錢合規效率與效果的最佳途徑。
三、德勤案例——從獨立評估到整合落地支持
在對任何交易監控系統進行改造之前，我們首先爲加密及非加密客戶開展交易監控全景的獨立評估。評估範圍可按模塊靈活調整，涵蓋不同監管重點包，例如：分析底層政策與流程、數據處理、覆蓋度與數據血緣等議題。
在本案例中，我們重點檢視了相關風險與類型學（Typologies）的覆蓋情況，並評估現有規則和參數在偵測這些風險時的有效性與效率。除了對內部文件（如風險評估報告）進行分析外，我們還專門衡量了公開可得的加密相關類型學（來自各國金融情報機構 FIU 及 FATF）在整個交易場景中的落地程度。
基於一份包含 50 餘種適用類型學場景的優先級清單，我們發現：部分場景完全未被覆蓋，而大多數場景雖被覆蓋，卻依賴高度手動、分散的方式。幾乎所有關鍵信息（加密與法幣交易、其他客戶數據）都已存在，卻散落在不同系統中，導致警報處理人員幾乎無法「連點成線」。對警報清理流程及警報統計的進一步分析顯示，運營人員將大部分時間耗費在費力排查誤報上；而通過交易監控系統主動識別出的重大可疑行爲卻幾乎爲零。結合執法機關及其他監管請求反饋，我們已知客戶羣體中並非沒有可疑行爲，這進一步印證了偵測邏輯與警報優先級亟需調整。
在完成獨立評估後，我們協助客戶制定整改方案：首先繪製目標運營模型（Target Operating Model），據此評估「自建」或「外購」的可行選項。在評估階段，我們幫助客戶基於評估框架中的全部維度，拆解並細化需求。
最終，客戶獨立完成供應商遴選。隨後，我們以多種角色按需介入整合項目：首要任務是將相關法幣–加密類型學拆解爲可落地的規則與模型配置，並通過測試確保其在有效性與效率方面達到預期；其次，從業務和技術兩端提供支持：業務層面，協助將既有接口映射至新供應商接口；技術層面，協助配置 API 並構建必要的連接器。
最終，我們幫助客戶實現了：
以事實爲依據，清晰界定（監管）問題；
在市場上甄選到最優解決方案；
在最小化時間窗口內完成整合，且不過度佔用客戶已緊繃的資源。
四、Hawk 案例：法幣 & 加密一體化監控
Hawk 已開發出一套加密資產監控方案，將其自身的 AML 交易監控技術與區塊鏈分析工具（BATs）的能力進行了深度融合，並配套提供客戶風險評級、客戶篩查、支付篩查等模塊。
4.1 打通法幣與加密
Hawk 平臺可讀取各類交易數據——既包括 SWIFT、SEPA 等標準法幣交易協議，也涵蓋加密資產交易數據。系統能夠同時攝取法幣與加密交易，因此可跨數據源識別整體模式。
舉例說明：某加密交易所新開戶客戶先大額存入法幣，隨即將其快速兌換成多種加密貨幣；在短時間內，又把拆分成小額的加密資產轉至多個外部地址。由於 BATs 只能追蹤鏈上加密資產流轉，無法捕捉這一經典「分層」手法——而洗錢者在加密交易所中經常使用該手法。Hawk 通過同步監控法幣與加密交易，能夠完整識別整個洗錢鏈條。
4.2 融合區塊鏈分析與 KYC 客戶風險信息
除同時處理法幣與加密交易外，Hawk 還建立了與 BAT 供應商的標準化對接，將 BAT 風險評分嵌入其規則與模型，爲反洗錢提供額外洞察。
以前述案例爲例，把 BAT 錢包風險評分應用於已識別的洗錢方案，可爲提取資金所用的外部錢包提供進一步線索。這些錢包可能直接或間接關聯到已被標記的非法活動地址，例如勒索軟件收益的接收地址。由此，警報將獲得更豐富的上下文信息，幫助運營人員更準確判斷該行爲是否涉嫌違法。
開箱即用的 Hawk 解決方案還會將其他相關客戶風險信息（KYC）自動注入警報。系統在偵測到可疑活動時，會同步附加背景資料（如地理位置、職業信息、觀察名單及負面媒體搜索結果）。以上述案例爲例，客戶註冊地爲德國，卻使用來自越南 IP 地址的設備登錄，這些細節都會爲調查提供有價值的上下文。
最終，所有信息被彙總到統一案件管理系統中，交易與客戶相關資料一次性完整呈現。該系統還支持最大限度地自動化後續流程，例如自動生成並提交可疑活動報告（SAR）。
4.3 疊加 AI，邁入加密交易監控新時代
Hawk 的一項核心工作，是在所有相關數據之上疊加透明且可解釋的 AI，以進一步提升交易監控成效。Hawk 的 AI 模型專門將加密信號納入偵測與誤報削減模型，充分利用交易數據、客戶信息以及 BAT 提供的風險數據。
這一做法不僅能夠讓模型精準識別非法洗錢套路，還能解決當前加密交易監控中的核心難題：BAT 給出的許多結果位於「灰色地帶」，分析師很難判定是否真正可疑。Hawk 的加密模型通過整合最新數據分析技術，並調用全部交易與客戶數據，讓運營人員能夠精準分流這些「灰色」警報，避免浪費大量人力。
五、總結
我們討論了僅依賴 Chainalysis、Scorechain 或 Elliptic 等區塊鏈分析工具（BATs）開展反洗錢（AML）工作所面臨的侷限。這些工具雖然功能強大，卻仍不足以實現全面的洗錢偵測：它們無法處理法幣交易，也難以識別可疑的交易或行爲模式；其風險評分方式多爲間接，導致警報清理流程效率低下。
爲突破 BATs 的瓶頸，我們建議用傳統 AML 交易監控系統對其進行補足，使法幣與加密交易得以聯動，並支持複雜交易模式分析。同時，應將客戶風險數據納入考量。具體而言，我們主張將 BATs 與現代金融犯罪技術體系深度整合：通過統一用戶界面無縫展示並訪問交易分析數據；以單一格式呈現法幣與加密資金流向；並藉助 AI 模型偵測異常並智能排序結果。
我們還通過案例研究展示了可行路徑：德勤協助客戶全面評估其交易監控體系；Hawk 則將自研 AI 增強方案與 BAT 能力融合，顯著提升監控成效。
總之，我們倡導將 BATs 與傳統法幣監控工具協同使用，以實現加密領域高效、有效的反洗錢合規。
