研究：比特币资助了多少非法活动？

作者| 由 Foley 等人编译| 何涵

2019 年 5 月，金融研究评论出版了题为“To FinTech and Beyond”的特刊，收录了 10 篇关于区块链、技术和大数据在金融中的应用的文章。 《性、毒品和比特币：有多少非法活动是通过加密货币融资的》摘自中国人民大学金融技术研究所的推文，该文章试图对加密货币促成的非法交易进行量化和定性文中开发的比特币技术在加密货币监控方面具有一定的应用价值，同时也试图探索加密货币如何改变黑市。

论文

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药物市场。 随着主流对比特币的兴趣增加以及更多不透明的加密货币的出现，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方面具有一定的应用价值。 我们的研究表明，加密货币正在通过启用“黑色电子商务”来改变黑市。

介绍

本文试图量化和限定比特币促成的非法交易。 区块链的公共性使我们能够将比特币交易与个体“用户”（市场参与者）联系起来，进而进一步识别被当局扣押的比特币用户。 查获的比特币（连同其他一些来源）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，从这里我们将以样本为切入点，应用两种不同的实证方法来估计非法活动的规模。

识别非法用户样本

我们使用以下三种方法来识别涉及非法活动的地址（以及用户）。

第一种方式：比特币被执法部门没收。 利用联邦调查局等执法机构没收比特币。

第二种方式：非法暗网市场及其用户。 利用被称为主要非法暗网市场的“热钱包”。 这些“热钱包”充当中央账户，其中许多像托管账户一样运作，暗网市场的用户可以在其中存入或提取资金。 这背后的一个基本假设是，在暗网市场上进行的交易是非法的。

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，尤其是在暗网论坛中被识别为销售商品/服务的用户的比特币地址。

量化和表征所有非法活动

在确定了大量参与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进行非法活动的规模。 我们使用两种不同的方法将用户分为主要从事非法活动的用户（“非法用户”）和主要从事合法活动的用户（“合法用户”）。 随后，我们测量了两组的大小和活动。

在直观的层面上，第一种方法利用网络拓扑——关于交易对手的信息。 贸易网络揭示了用户的“社区”，允许识别不属于我们初始样本的其他非法用户。 相反，第二种方法利用了流氓用户与合法用户的区别特征（控制非随机检测）。

方法一：网络聚类分析

该方法利用网络拓扑来根据用户之间的交易来识别用户的“社区”。 它是这样运作的：如果已知用户 A、B 和 C 参与了非法活动（例如比特币的金融案例分析题，他们的比特币被执法部门扣押），则用户 X 专门或主要与用户 A、B 或 C 进行交易也可能涉及非法活动。 同样，如果用户 Y 主要与不被认为是非法的用户进行交易，那么他很可能是合法用户。 这种直觉根据他们的贸易伙伴将用户分为合法和非法类别。

我们应用了由 Waltman 和 van Eck (2013) 开发的智能局部运动 (SLM) 算法的变体来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给非法社区，将所有剩余用户分配给合法社区。

第 2 步：循环遍历每个用户比特币的金融案例分析题，为每个用户执行以下操作：

- 如果用户不成比例地与当前指定社区的成员进行交易，则将该用户留在该社区中；

- 否则，将用户移动到不同的社区（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）。

第三步：重复第二步，直到所有用户的一个完整周期内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。

注意：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，这将在步骤 2 中被算法识别并将用户转移到合法社区。

方法二：检测控制估计

我们用来估计从事非法活动的用户（“非法用户”）数量的第二种方法是检测控制估计 (DCE)。 从直观上看，该方法是利用比特币合法用户和非法用户特征的差异，对非法用户群体进行概率识别。 一个复杂的问题是检测（就像在大多数情况下，犯罪者试图向当局隐瞒他们的非法活动）不是随机的，并且必须考虑这种非随机性以获得无偏估计量。

幸运的是，这种计量经济学挑战并非比特币非法活动所独有，并且存在解决方案。 同样的挑战出现在量化其他形式的不当行为，例如逃税、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、癌症乳房 X 光检查等。 这些设置的标准工具是 DCE。 自成立以来，DCE 模型已应用于各种金融不当行为场景，包括逃税（Feinstein 1991）、公司欺诈（Wong、Winton 和 Yu 2010）和市场操纵（Comerton-Forde 和 Putniņš）。 通过同时对底层过程（违规和检测）进行显式建模，可以获得对非法活动的无偏估计，否则只能部分观察到这些活动。

上图展示了一个两阶段检测-控制-估计（DCE）模型的结构。 左边是起点，数据，在我们的例子中是所有比特币用户的集合。 在中间我们有两个过程，破坏（执行非法活动）和检测（例如比特币没收）。 右边是这些过程的共同结果：可观察到的用户分类为检测到的非法用户（集合 A）和其他用户（补充集合 Ac，包括合法用户和未检测到的非法用户）。 第一阶段模拟合法和非法比特币用户的特征差异。 第二阶段模拟非法用户被“发现”的可能性的决定因素（如果比特币被执法部门没收，在“暗网”论坛上被识别，或在“网络”交易市场中被观察到）。

第一个分支模拟比特币用户 i 主要从事非法活动还是合法活动。 该分支被建模为不可观察的二元过程（L1i），由特征向量（x1i）的连续隐函数（Y1i）驱动，可以区分合法用户和非法用户：

第二个分支模拟是否“检测到”流氓用户（他们提供我们观察到的流氓用户样本）。 检测过程被建模为另一个不可观察的二元过程（L2i），由具有不同特征向量（x2i）的连续潜在函数（Y2i）驱动，影响非法用户被检测到的概率：

两个阶段同时使用最大似然估计来选择参数值。 直观地，这个过程找到估计模型参数的向量，β1，β2，最大化观察到的用户类别（集合 A 和 Ac）的可能性。 利用估计的 β1、β2，我们计算每个用户参与非法活动的概率，并构建合法用户和非法用户的二元分类。

与SLM（Smart Partial Movement）方法类似，DCE模型不考虑过去“检测到”的非法用户只是或主要从事非法活动，用户的合法和非法分类类别会导致部分非法用户“检测到”在过去被重新分配。 归类为主要从事合法活动的用户。

综上所述

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有可能彻底改变金融系统的许多方面，从智能合约到结算，银行间转账到风险投资基金，以及系统外的金融应用。 与许多创新一样，加密货币也有其阴暗面。 我们通过量化和描述其在非法活动中的使用来揭示其阴暗面。

我们发现，非法活动占比特币用户和交易活动的很大一部分，并且以美元计算具有重要的经济意义。 例如，大约四分之一的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，近年来每年的非法交易额约为 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较小的交易中进行更多的交易，经常与给定的交易对手重复交易，并且他们持有的比特币往往较少。 这些特征与他们将比特币用作支付系统而不是用于投资或投机是一致的。 非法用户也更多地使用交易技术来掩盖他们的活动，这些活动在黑市冲击后激增。 随着主流兴趣和炒作（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。

我们的发现有很多意义。 首先，通过揭示加密货币的阴暗面，我们希望这项研究能够减少监管对此类创新的负面后果和风险的不确定性，从而允许做出更明智的决策来权衡利弊。 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多种方式用于加密货币监控。 随着新区块被添加到区块链，这些方法可以继续应用，允许当局把握非法活动的脉搏，监控其趋势、对监管干预的反应，以及其特征如何随时间变化。 此类信息有助于更有效地利用有限的监管和执法资源。 这些方法还可用于识别非法网络中具有战略重要性的个人。

第三，我们的论文认为，比特币作为支付系统的内在价值的一个重要部分来自于它用于促进非法交易。 对于那些将比特币视为投资的人来说，这具有伦理意义和估值意义。 例如，在非法交易中使用比特币的需求变化（例如，由于执法部门的打击或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关于非法在线贸易增长的福利后果的重要问题。 这个难题的关键在于理解——在线非法贸易是否仅仅反映了原本会在大街上发生的活动的转移，或者网络的匿名性是否使非法商品更容易获得、购买更方便且风险更低？ 从而促进了整体黑市的增长。 我们对比特币促成的非法交易量的估计有助于理解这个问题，但需要进一步研究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