研究：有多少非法活動是通過比特幣融資的？

免責聲明：本文旨在傳遞更多市場信息，不構成任何投資建議。文章僅代表作者觀點，不代表火星財經官方立場。

作者 | Foley et al. 編譯 | 賀涵

2019年5月，《金融研究評論》（the Review of Financial Studies）出版了題為“To FinTech and Beyond”的特刊，其中包含10篇區塊鏈、技術與大數據應用於金融的文章。中國人民大學金融科技研究所本次推送節選自其中的“Sex, Drugs, and Bitcoin: How Much Illegal Activity Is Financed through Cryptocurrencies”，這是一篇試圖對比特幣促成的非法交易進行量化和定性的文章，文章開發的技術在加密貨幣監控中具有一定的應用價值，同時試圖探討加密貨幣如何改變黑市。

文章摘要

加密貨幣是世界上最大的不受監管的市場之一。我們發現大約有四分之一的比特幣用戶參與了非法活動。我們估計，每年約有760億美元的非法活動涉及比特幣(佔比特幣交易的46%)，其規模接近美國和歐洲的非法毒品市場。隨著人們對比特幣的主流興趣提升以及更加不透明的加密貨幣的出現，比特幣在非法活動中的份額有所下降。本文提出的技術在加密貨幣監控中具有一定的應用價值。我們的研究表明，加密貨幣正通過啟用“黑色電子商務”來改變黑市。

引言

本文試圖對比特幣促成的非法交易進行量化和定性。區塊鏈的公共性使我們能夠將比特幣交易與個人“用戶”（市場參與者）聯繫起來，然後進一步識別被當局查封的比特幣用戶。查封比特幣（以及其他一些來源）為我們提供了已知參與非法活動的用戶樣本。這是我們分析的起點，從這裡我們將應用兩種不同的實證方法以樣本為切入口來估計非法活動規模。

識別非法用戶樣本

我們使用下面三種方式來識別涉及非法活動的地址(以及用戶)。

第一種方式：執法機構查封的比特幣。利用美國聯邦調查局(FBI)等執法機構查封比特幣的行動。

第二種方式：非法暗網市場及其用戶。利用已知的主要非法黑網市場的“熱錢包”。這些“熱錢包”相當於中央賬戶，其中許多像託管賬戶一樣運作，暗網市場的用戶將資金存入或取出。這麼做的一個基本的假設是，發生在暗網市場的交易是非法的。

第三種方法：在暗網論壇中識別用戶。利用暗網中包含的信息，特別是暗網論壇中標識為出售商品/服務的用戶的比特幣地址。

對所有非法活動進行量化和定性

在確定了大量涉及非法活動的比特幣用戶樣本後，我們的下一步是使用該樣本中的信息來估計使用比特幣的非法活動的規模。我們使用兩種不同的方法將用戶分為主要參與非法活動的用戶（“非法用戶”）和主要參與合法活動的用戶（“合法用戶”）。隨後，我們測量兩組的規模和活動。

在直觀的層次上，第一種方法利用網絡拓撲—關於交易對手方的信息。貿易網絡揭示了用戶的“社區”，從而可以識別出其他不屬於我們最初樣本的非法用戶。相反，第二種方法利用非法用戶與合法用戶的區別特徵（控制非隨機檢測）。

方法1：網絡聚類分析

該方法利用了網絡拓撲結構，根據用戶之間的事務來識別用戶的“社區”。工作原理如下：如果已知用戶A、B和C參與了非法活動（例如，他們的比特幣被執法機構查封），那麼專門或主要與用戶A、B或C進行交易的用戶X也可能參與了非法活動。類似地，如果用戶Y主要與未被視為非法的用戶進行交易，那麼他很可能是合法用戶。這種直覺根據用戶的交易夥伴將用戶分為合法和非法兩類。

我們應用Waltman和van Eck（2013）開發的智能局部移動（SLM）算法的變體，以適應我們的特定應用。算法如下：

步驟1：將所有觀察到的非法用戶分配到非法社區，將所有剩餘的用戶分配到合法社區。

步驟2：遍歷每個用戶，對每個用戶執行以下操作：

-如果用戶與當前指定社區的成員進行的交易不成比例，則將該用戶留在該社區;

-否則，將用戶移動到其他社區（如果用戶被分配到非法社區，則將用戶移動到合法社區，反之亦然）。

步驟3：重複步驟2，直到在所有用戶的完整循環中，沒有用戶在社區之間切換。此時，分配給社區的任務是穩定的，並確保每個成員與同一社區的其他成員進行不成比例的交易。

注：由於算法的迭代性質，並非所有“檢測到的”非法用戶都必須留在非法社區，這將被步驟2中的算法識別，用戶將被轉移到合法社區。

方法2：檢測控制估算

我們用來估計參與非法活動的用戶（“非法用戶”）數量的第二種方法是檢測控制估計（DCE）。直觀上，該方法利用比特幣合法用戶和非法用戶特徵的差異，對非法用戶人群進行概率性識別。一個複雜的問題是，檢測（就像在大多數情況下，違規者試圖向當局隱瞞他們的非法活動）不是隨機的，必須考慮這種非隨機性才能獲得無偏估計量。

幸運的是，這種計量經濟學的挑戰並非比特幣中的非法活動所獨有，解決方法也存在。同樣的挑戰出現在對其他形式的不當行為的量化上，如逃稅、欺詐、內幕交易和市場操縱，以及環境，包括核電站安全監管違規、乳房x光檢查癌症，等等。這些設置的標準工具是DCE。自產生以來，DCE模型已經被應用於各種發生金融不當行為場景包括逃稅（Feinstein 1991），公司欺詐（Wong, Winton, and Yu 2010），和市場操縱（Comerton-Forde and Putniņš）。通過同時顯式地對底層流程（違規和檢測）進行建模，可以獲得對非法活動的無偏估計，否則只能部分觀察到。

上圖展示了兩階段檢測控制估計（DCE）模型的結構。左邊是起點，數據，在我們這裡是所有比特幣用戶的集合。在中間我們有兩個過程，違規（進行非法活動）和檢測（例如，比特幣扣押）。右邊是這些過程的共同結果：用戶的可觀察分類分為被發現的非法用戶（集合A）和其他用戶（補充集合Ac，包括合法用戶和未被發現的非法用戶）。第一階段模擬合法和非法比特幣用戶在特徵上的不同。第二階段模擬非法用戶被“發現”的概率決定因素（如果比特幣被執法機構沒收，在“暗網”論壇上被識別，或者在區塊鏈數據中被觀察到與已知的非法“暗網”市場進行交易）。

第一個分支模擬比特幣用戶i是否主要參與其中從事非法或合法活動。該分支被建模為一個不可觀察的二進制過程（L1i），由特徵向量（x1i）的一個連續隱性函數（Y1i）驅動，該潛函數可以區分合法用戶和非法用戶:

第二個分支對是否“檢測到”非法用戶進行建模（它們輸入我們觀察到的非法用戶樣本）。該檢測過程被建模為另一個不可觀測的二進制過程（L2i），由一個不同的特徵向量（x2i）的連續潛在函數（Y2i）驅動，該特徵向量影響非法用戶被檢測到的概率:

這兩個階段同時使用極大似然估計法來選擇參數值。直觀地說，這個過程找到向量的估計模型參數，β1、β2，使可觀察用戶分類（集合A和Ac）的似然值最大化。通過估計的β1、β2，我們計算每個用戶的參與非法活動的可能性以及構建一個二進制合法和非法用戶的分類。

與SLM（智能局部移動）方法相似，DCE模型並不認為過去“檢測到的”非法用戶僅僅或主要從事非法活動，用戶合法和非法的分類類別可以導致一些過去“檢測到的”非法用戶被重新歸類為主要從事合法活動的用戶。

結論

作為一種新興的金融科技創新，加密貨幣及其所基於的區塊鏈技術可能會給金融體系的許多方面帶來革命性變化，從智能合約到結算、銀行間轉賬到風險資本基金，以及金融體系以外的應用。與許多創新一樣，加密貨幣也有其黑暗的一面。我們通過對其在非法活動中的使用進行量化和定性，揭示了其黑暗的一面。

我們發現，在比特幣的用戶和交易活動中，非法活動佔了相當大的比例，而且以美元計算，這也是一個具有經濟意義的金額。例如，大約四分之一的所有用戶和接近一半的交易與非法活動有關，相當於約2700萬市場參與者，近年來每年的非法營業額約為760億美元。這些非法活動大多涉及黑市交易。

非法使用比特幣的人傾向於在規模較小的交易中進行更多的交易，往往是與給定的交易對手重複交易，他們往往持有較少的比特幣。這些特點與他們使用比特幣作為支付系統，而不是用於投資或投機是一致的。非法用戶也更多地利用交易技術來掩蓋他們的活動，他們的活動在黑市受到衝擊後激增。隨著主流興趣和炒作(比特幣市場價值和谷歌搜索強度)的增加，以及更不透明的替代加密貨幣的出現，以及運營中暗網市場的減少，與非法交易相關的比特幣活動比例下降。

我們的研究結果有許多含義。首先，通過揭示加密貨幣的黑暗面，我們希望這項研究將減少關於這種創新的負面後果和風險的一些監管不確定性，從而允許更多權衡利弊的明智決策。反過來，我們希望這有助於這些技術充分發揮其潛力。

其次，本研究開發的技術可以以多種方式用於加密貨幣監視。隨著區塊鏈加入新的區塊，這些方法可以繼續應用，讓當局能夠把握非法活動的脈搏，

第三，我們的論文認為，比特幣作為一種支付系統內在價值的一個重要組成部分來自於它在便利非法交易方面的使用。對於那些將比特幣視為一種投資的人來說，這具有倫理意義，同時也具有估值意義。例如，在非法交易中使用比特幣需求的變化(例如，由於執法部門的打擊或在非法交易中越來越多地採用不透明的加密貨幣)可能會影響比特幣的基本價值。

最後，我們的論文使文獻研究更接近於回答一個重要的問題，即非法網上貿易增長的福利後果。這個謎題的關鍵在於理解--網上非法貿易是僅僅反映了活動的轉移（否則它們就會出現在大街上），還是由於網絡的匿名性使得非法商品更易獲得、更方便購買、風險更低，從而促進總體黑市增長。我們對通過比特幣促成的非法交易數量的估計有助於理解這個問題，但是

以下為部分論文截圖

閱讀更多 火星財經 的文章

關鍵字: 美好，一直在身邊 小編 作者