2019 年 5 月，《金融研究评论》（the Review of Financial Studies）出版特刊，题为「To FinTech and Beyond」，其中包含 10 篇区块链、技术与大数据应用于金融的文章。中国人民大学金融科技研究所本次推送节选自其中的「Sex, Drugs, and Bitcoin: How Much Illegal Activity Is Financed through Cryptocurrencies」，这是一篇试图对比特币促成的非法交易进行量化和定性的文章，文章开发的技术在加密货币监控中具有一定的应用价值，同时试图探讨加密货币如何改变黑市。 文章摘要 加密货币是世界上最大的不受监管的市场之一。我们发现大约有四分之一的比特币用户参与了非法活动。我们估计，每年约有 760 亿美元的非法活动涉及比特币（占比特币交易的 46%），其规模接近美国和欧洲的非法毒品市场。随著人们对比特币的主流兴趣提升以及隐私币的出现，比特币在非法活动中的份额有所下降。本文提出的技术在加密货币监控中具有一定的应用价值。我们的研究表明，加密货币正通过启用「黑色电子商务」来改变黑市。 引言 本文试图对比特币促成的非法交易进行量化和定性。区块链的公共性使我们能够将比特币交易与个人「用户」（市场参与者）联系起来，然后进一步识别被当局查封的比特币用户。查封比特币（以及其他一些来源）为我们提供了已知参与非法活动的用户样本。这是我们分析的起点，从这里我们将应用两种不同的实证方法以样本为切入口来估计非法活动规模。 识别非法用户样本 我们使用下面三种方式来识别涉及非法活动的地址（以及用户）。 第一种方式：执法机构查封的比特币。利用美国联邦调查局（FBI）等执法机构查封比特币的行动。 第二种方式：非法暗网市场及其用户。利用已知的主要非法黑网市场的「热钱包」。这些「热钱包」相当于中央帐户，其中许多像托管帐户一样运作，暗网市场的用户将资金存入或取出。这么做的一个基本的假设是，发生在暗网市场的交易是非法的。 第三种方法：在暗网论坛中识别用户。利用暗网中包含的信息，特别是暗网论坛中标识为出售商品/服务的用户的比特币地址。 对所有非法活动进行量化和定性 在确定了大量涉及非法活动的比特币用户样本后，我们的下一步是使用该样本中的信息来估计使用比特币的非法活动的规模。我们使用两种不同的方法将用户分为主要参与非法活动的用户（非法用户）和主要参与合法活动的用户（合法用户）。随后，我们测量两组的规模和活动。 在直观的层次上，第一种方法利用网络拓扑—关于交易对手方的信息。贸易网络揭示了用户的「社区」，从而可以识别出其他不属于我们最初样本的非法用户。相反，第二种方法利用非法用户与合法用户的区别特徵（控制非随机检测）。 方法 1：网络聚类分析 该方法利用了网络拓扑结构，根据用户之间的事务来识别用户的「社区」。工作原理如下：如果已知用户 A、B 和 C 参与了非法活动（例如，他们的比特币被执法机构查封），那么专门或主要与用户 A、B 或 C 进行交易的用户 X 也可能参与了非法活动。类似地，如果用户 Y 主要与未被视为非法的用户进行交易，那么他很可能是合法用户。这种直觉根据用户的交易夥伴将用户分为合法和非法两类。 我们应用 Waltman 和 van Eck（2013）开发的智能局部移动（SLM）算法的变体，以适应我们的特定应用。算法如下： 步骤 1：将所有观察到的非法用户分配到非法社区，将所有剩馀的用户分配到合法社区。 步骤 2：遍历每个用户，对每个用户执行以下操作： -如果用户与当前指定社区的成员进行的交易不成比例，则将该用户留在该社区; -否则，将用户移动到其他社区（如果用户被分配到非法社区，则将用户移动到合法社区，反之亦然）。 步骤 3：重复步骤 2，直到在所有用户的完整循环中，没有用户在社区之间切换。此时，分配给社区的任务是稳定的，并确保每个成员与同一社区的其他成员进行不成比例的交易。 注：由于算法的迭代性质，并非所有「检测到的」非法用户都必须留在非法社区，这将被步骤 2 中的算法识别，用户将被转移到合法社区。 方法 2：检测控制估算 我们用来估计参与非法活动的用户（非法用户）数量的第二种方法是检测控制估计（DCE）。直观上，该方法利用比特币合法用户和非法用户特徵的差异，对非法用户人群进行概率性识别。一个复杂的问题是，检测（就像在大多数情况下，违规者试图向当局隐瞒他们的非法活动）不是随机的，必须考虑这种非随机性才能获得无偏估计量。 幸运的是，这种计量经济学的挑战并非比特币中的非法活动所独有，解决方法也存在。同样的挑战出现在对其他形式的不当行为的量化上，如逃税、欺诈、内幕交易和市场操纵，以及环境，包括核电站安全监管违规、乳房 x 光检查癌症，等等。这些设置的标准工具是 DCE。自产生以来，DCE 模型已经被应用于各种发生金融不当行为场景包括逃税（Feinstein 1991），公司欺诈（Wong, Winton, and Yu 2010），和市场操纵（Comerton-Forde and Putniņš）。通过同时显式地对底层流程（违规和检测）进行建模，可以获得对非法活动的无偏估计，否则只能部分观察到。
上图展示了两阶段检测控制估计（DCE）模型的结构。左边是起点，数据，在我们这里是所有比特币用户的集合。在中间我们有两个过程，违规（进行非法活动）和检测（例如，比特币扣押）。右边是这些过程的共同结果：用户的可观察分类分为被发现的非法用户（集合 A）和其他用户（补充集合 Ac，包括合法用户和未被发现的非法用户）。第一阶段模拟合法和非法比特币用户在特徵上的不同。第二阶段模拟非法用户被「发现」的概率决定因素（如果比特币被执法机构没收，在「暗网」论坛上被识别，或者在区块链数据中被观察到与已知的非法「暗网」市场进行交易）。 第一个分支模拟比特币用户 i 是否主要参与其中从事非法或合法活动。该分支被建模为一个不可观察的二进制过程（L1i），由特徵向量（x1i）的一个连续隐性函数（Y1i）驱动，该潜函数可以区分合法用户和非法用户:
第二个分支对是否「检测到」非法用户进行建模（它们输入我们观察到的非法用户样本）。该检测过程被建模为另一个不可观测的二进制过程（L2i），由一个不同的特徵向量（x2i）的连续潜在函数（Y2i）驱动，该特徵向量影响非法用户被检测到的概率:
这两个阶段同时使用极大似然估计法来选择参数值。直观而言，这个过程找到向量的估计模型参数，β1、β2，使可观察用户分类（集合 A 和 Ac）的似然值最大化。通过估计的β1、β2，我们计算每个用户的参与非法活动的可能性以及构建一个二进制合法和非法用户的分类。 与 SLM（智能局部移动）方法相似，DCE 模型并不认为过去「检测到的」非法用户仅仅或主要从事非法活动，用户合法和非法的分类类别可以导致一些过去 “检测到的” 非法用户被重新归类为主要从事合法活动的用户。 结论 作为一种新兴的金融科技创新，加密货币及其所基于的区块链技术可能会给金融体系的许多方面带来革命性变化，从智能合约到结算、银行间转账到风险资本基金，以及金融体系以外的应用。与许多创新一样，加密货币也有其黑暗的一面。我们通过对其在非法活动中的使用进行量化和定性，揭示了其黑暗的一面。 我们发现，在比特币的用户和交易活动中，非法活动占了相当大的比例，而且以美元计算，这也是一个具有经济意义的金额。例如，大约四分之一的所有用户和接近一半的交易与非法活动有关，相当于约 2700 万市场参与者，近年来每年的非法营业额约为 760 亿美元。这些非法活动大多涉及黑市交易。 非法使用比特币的人倾向于在规模较小的交易中进行更多的交易，往往是与给定的交易对手重复交易，他们往往持有较少的比特币。这些特点与他们使用比特币作为支付系统，而不是用于投资或投机是一致的。非法用户也更多地利用交易技术来掩盖他们的活动，他们的活动在黑市受到冲击后激增。随著主流兴趣和炒作 (比特币市场价值和谷歌搜索强度) 的增加，以及更不透明的替代加密货币的出现，以及运营中暗网市场的减少，与非法交易相关的比特币活动比例下降。 我们的研究结果有许多含义。首先，通过揭示加密货币的黑暗面，我们希望这项研究将减少关于这种创新的负面后果和风险的一些监管不确定性，从而允许更多权衡利弊的明智决策。反过来，我们希望这有助于这些技术充分发挥其潜力。 其次，本研究开发的技术可以以多种方式用于加密货币监视。随著区块链加入新的区块，这些方法可以继续应用，让当局能够把握非法活动的脉搏，监控其趋势、对监管干预的反应，以及其特徵如何随时间变化。这些资料可以帮助更有效地利用有限的管制和执行资源。这些方法还可用于识别在非法网络中具有战略重要性的个人。 第三，我们的论文认为，比特币作为一种支付系统内在价值的一个重要组成部分来自于它在便利非法交易方面的使用。对于那些将比特币视为一种投资的人来说，这具有伦理意义，同时也具有估值意义。例如，在非法交易中使用比特币需求的变化 (例如，由于执法部门的打击或在非法交易中越来越多地采用不透明的加密货币) 可能会影响比特币的基本价值。 最后，我们的论文使文献研究更接近于回答一个重要的问题，即非法网上贸易增长的福利后果。这个谜题的关键在于理解– 网上非法贸易是仅仅反映了活动的转移（否则它们就会出现在大街上），还是由于网络的匿名性使得非法商品更易获得、更方便购买、风险更低，从而促进总体黑市增长。我们对通过比特币促成的非法交易数量的估计有助于理解这个问题，但是需要进一步的研究来将这些估计与线下黑市的趋势联系起来。 以下为部分论文截图
原文：火星财经 声明：文章仅代表作者个人观点意见，不代表区块客观点和立场，所有内容及观点仅供参考，不构成投资建议。投资者应自行决策与交易，对投资者交易形成的直接间接损失作者及区块客将不承担任何责任。 |
