算法合规性与数字资产监管损失
机器学习
2026-04-27 v2 计量经济学
摘要
我们研究了基于机器学习的反洗钱（AML）执法系统在加密货币中的部署性能。通过对比特币交易数据进行前瞻性和滚动评估，我们表明强静态分类指标在实际监管效能方面严重高估。时间非平稳性导致对敏感成本的执法阈值产生显著不稳定，产生大量持续的监管损失，相对于动态最优基准而言尤为显著。核心问题源于决策规则的误校准，而非预测准确性的下降。这些发现凸显了固定AML执法政策在不断演变的数字资产市场中的脆弱性，动机是为监管监督发展基于损失的评估框架。
引用
@article{arxiv.2603.04328,
title = {Algorithmic Compliance and Regulatory Loss in Digital Assets},
author = {Khem Raj Bhatt and Krishna Sharma},
journal= {arXiv preprint arXiv:2603.04328},
year = {2026}
}
备注
This paper has been withdrawn by the author as it requires substantial revision