随着互联网技术与金融行业的进一步融合发展,互联网金融让人们享受到了技术进步给人们工作和生活带来的便利,同时互联网金融的创新实践也给企业和个人带来了新的机遇和挑战。对于金融监管部门来说,防范化解潜在的金融风险,打击洗钱等金融犯罪行为应时刻放在首要位置。预防和打击洗钱行为一直是金融监管部门的重点和难点。随着社会的不断发展进步,科学技术的应用越来越广泛和多样化,不法分子的洗钱手段也在不断地更新换代,变得更加复杂多样,反洗钱难度也在不断加大。近些年来,以比特币为代表的数字货币在全球投资行业引起了极大的关注,其价格屡创新高,涨跌幅度极大,备受投机者们的青睐,同时也吸引了不法分子的目光,由于比特币可以实现跨境交易,且具有去中心化、匿名性和便捷性等特点,一些不法分子开始利用以比特币为代表的数字货币交易进行洗钱等非法活动。为切实有效监测和打击洗钱等非法活动,针对通过以比特币为代表的数字货币交易实施洗钱的新型洗钱方式,探寻相应的反洗钱监测方法尤为重要,因此本文以比特币交易数据集作为研究对象探寻新的反洗钱监测方法具有实际意义。本文主要研究利用Elliptic公司公开发布的比特币交易数据集,构建多种分类模型以实现对洗钱等非法交易行为的有效监测识别。由于本文使用的比特币交易数据集中大量交易节点不带有标签,少量交易节点带有标签。因此,本文首先基于所有有标签的交易节点特征数据集构建有监督的分类模型,又由于原始数据集中交易节点的特征较多,本文先采用XGBoost方法进行特征选取,剔除无用特征,寻找到最优特征后进行模型构建;同时对于数据中存在的类别不平衡的问题,本文采用Borderline-SMOTE算法对数据集进行类别平衡化处理,获取新的类别平衡的数据集,基于处理后的数据集构建随机森林模型和Light GBM模型两种树集成模型。接着结合所有交易节点的特征数据集和各个交易节点之间的交易流数据集尝试构建基于图的半监督分类模型,即图卷积神经网络;为了获取更好的分类效果,选择在原有的图卷积神经网络的输出层中加入节点特征矩阵,构建改进的图卷积神经网络模型。基于构建好的分类模型,对处理后的比特币交易数据集进行训练和分类预测。本文选择非法类交易节点的F1分数作为评价指标,对比分析四种模型的分类效果。结果显示,在有监督分类模型中,Light GBM模型的分类效果更好;在半监督分类模型中,改进的图卷积神经网络模型的分类效果相较于原有的图卷积神经网络模型有了一定的提升。因此本文研究结果表明,在今后的反洗钱监测模型构建中可以尝试构建合适的树集成模型以取得较好的反洗钱监测效果,同时对于数据标签不完整的网络图结构数据集,可以尝试构建图卷积神经网络模型进行反洗钱监测研究。