基于BP神經(jīng)網(wǎng)絡(luò)的ICO經(jīng)濟類罪模型及其實證研究

陳蘭蘭，左黎明，2

（1.華東交通大學(xué) 江西南昌 330013；2.江西省經(jīng)濟犯罪偵查與防控技術(shù)協(xié)同創(chuàng)新中心 江西南昌 330103）

ICO[1]（Initial Coin Offering，虛擬貨幣首次公開發(fā)售）是指融資主體通過代幣的違規(guī)發(fā)售、流通，向投資者籌集比特幣、以太幣等所謂“虛擬貨幣”。2017年9月，央行下發(fā)公告，將ICO定性為一種未經(jīng)批準非法公開融資的行為，涉嫌非法發(fā)行證券、非法發(fā)售代幣票券以及金融詐騙、非法集資、傳銷等違法犯罪活動，并責(zé)令停止各類代幣發(fā)行融資活動。ICO存在諸多潛在風(fēng)險，包括項目失敗或跑路導(dǎo)致的資金損失風(fēng)險、價格劇烈波動引起的金融風(fēng)險、借ICO進行的詐騙、非法集資等違法犯罪風(fēng)險等。萬福帀是一種在美國加州洛杉磯興起的虛擬貨幣，2016年3月5日，創(chuàng)辦人劉某啟動虛擬數(shù)字貨幣“萬福幣”傳銷項目，兩個月內(nèi)吸納會員13萬余人，瘋狂收取傳銷資金近20億元人民幣[2]。2017年2月廣東省中山市警方通過兩個月摸底調(diào)查，抓獲維卡幣3名涉案人員，凍結(jié)3.1億傳銷資金[3]。2017年，韓國最大比特幣交易所Bithum遭入侵，用戶損失數(shù)十億韓元，預(yù)計約有100名受害者將對Bithumb提起集體訴訟[4]。ICO熱度持續(xù)高漲，投資者范圍不斷擴大，因此基于神經(jīng)網(wǎng)絡(luò)模型研究ICO經(jīng)濟類罪特征，對ICO數(shù)據(jù)進行挖掘與分析，提取相關(guān)信息并進行評估，對ICO經(jīng)濟犯罪的防控具有重要意義。

近年來，國內(nèi)外許多專家、學(xué)者對神經(jīng)網(wǎng)絡(luò)模型的建立與應(yīng)用進行了研究，其中BP神經(jīng)網(wǎng)絡(luò)具有良好的通用性，并在各個領(lǐng)域得到廣泛應(yīng)用。因此，本文設(shè)計了ICO經(jīng)濟類罪評價指標(biāo)，并創(chuàng)建ICO經(jīng)濟類罪數(shù)據(jù)集，基于BP神經(jīng)網(wǎng)絡(luò)算法建立了ICO經(jīng)濟類罪模型。通過訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，對ICO的合法性進行預(yù)測與評估。

一、ICO經(jīng)濟類罪模型評價指標(biāo)設(shè)計

基于BP神經(jīng)網(wǎng)絡(luò)的ICO經(jīng)濟類罪評價指標(biāo)的選取十分重要，需要從ICO的本質(zhì)以及公安部已證實為涉及傳銷、詐騙等金融騙局的案例出發(fā)，分析與提取ICO經(jīng)濟類罪相關(guān)評價指標(biāo)。通過查閱資料與分析，發(fā)現(xiàn)許多ICO項目運作方式與傳統(tǒng)網(wǎng)絡(luò)傳銷行為十分接近，利用ICO進行傳銷已成為網(wǎng)絡(luò)傳銷新特點。由此提取出13個特征作為ICO合法性的評價指標(biāo)，分別為：去中心化、開源、白皮書、發(fā)展下線、繳納入會費、復(fù)式計酬、高收益高分成的許諾、過度炒作、成立公司、自建平臺交易、官網(wǎng)基于HTTPS協(xié)議、有實體幣、存在運行的產(chǎn)品。

評價指標(biāo)中前3個指標(biāo)去中心化、開源和白皮書為判斷可靠ICO項目的重要特征。首先，一個成功的ICO是區(qū)塊鏈社區(qū)的產(chǎn)物，需要區(qū)塊鏈的底層哲學(xué)去中心化來支撐[5]。其次，一般的ICO項目都是代碼開源項目，且大多都會上傳到開源社區(qū)，如github社區(qū)[6]。同時，一個可靠的ICO項目一般具有一份正式的白皮書，白皮書是一個項目用非技術(shù)語言進行的概括，一般包括簡介、目的、原理、特殊性、價值、如何分配融資的代幣、如何使用代幣、項目規(guī)則、團隊背景、項目是否成熟等內(nèi)容。不具備這3個特征的ICO項目的真實性有待考量，可能有傳銷、詐騙等犯罪嫌疑。

設(shè)計的指標(biāo)中發(fā)展下線、繳納入會費、復(fù)式計酬[7]和高收益高分成的許諾為傳統(tǒng)涉嫌傳銷行為[8]的基本特征。復(fù)式計酬是指對參加者以其直接或者間接發(fā)展的下線數(shù)量，或者其直接或者間接發(fā)展的下線的銷售業(yè)績，兩種方式計提報酬，形成傳銷的“資金鏈”。

余下的6個為經(jīng)過ICO金融騙局案例分析后選取的評價指標(biāo)。首先以典型騙局維卡幣[9]為例，其具有過度炒作、成立公司、自建平臺交易、官網(wǎng)不基于HTTPS協(xié)議等特征。在過度炒作方面，維卡幣曾發(fā)布大量的不實消息，非法使用第一財經(jīng)及主持人江予菲的名義及其肖像進行對外宣傳，存在過度炒作嫌疑。在成立公司、自建平臺交易方面，ICO項目最終是公鏈項目，法律主體不是公司，并且運作健康的ICO項目一般在國內(nèi)外主流交易平臺進行交易，而不是由ICO項目公司自建平臺獨自操控，故成立公司和自建平臺交易可以作為兩個評價指標(biāo)。在官網(wǎng)不基于HTTPS協(xié)議方面，HTTPS協(xié)議是可進行加密傳輸、身份認證的網(wǎng)絡(luò)協(xié)議，廣泛用于萬維網(wǎng)上安全敏感的通訊，而HTTP協(xié)議不提供任何方式的數(shù)據(jù)加密，不適合傳輸敏感信息。因此，一個可靠的ICO項目官網(wǎng)應(yīng)該基于HTTPS協(xié)議。其次，一類典型騙局五行幣是一種體積比普通硬幣略大的聲稱由純金打造而成的硬幣，具有發(fā)行實體幣的特征。另一類典型騙局萬福幣規(guī)定交入會費3000人民幣，即送一套價值3000元人民幣的美國未來城優(yōu)質(zhì)保健產(chǎn)品，具有存在運行的產(chǎn)品的特征。通過分析，具備這6個特征的ICO項目為金融騙局的可能性極大。

通過對上百例公安部打擊的案件的研究與分析，設(shè)計了上述13個特征作為評價ICO項目合法性的指標(biāo)，并以此作為BP神經(jīng)網(wǎng)絡(luò)算法選取輸入變量的參考。

二、ICO經(jīng)濟類罪模型

（一）BP神經(jīng)網(wǎng)絡(luò)

BP(back propagation)神經(jīng)網(wǎng)絡(luò)[10]是一種多層的前饋神經(jīng)網(wǎng)絡(luò)，可分為輸入層、隱含層和輸出層，網(wǎng)絡(luò)中各個神經(jīng)元接受前一層的輸入，并輸出給下一層，即第i層的輸入只與第i-1層輸出相連，輸入與輸出節(jié)點與外界相連，而其他中間層為隱含層。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程分為信號的向前傳播和誤差的反向傳播兩個階段，第一階段是從輸入層經(jīng)過隱含層，最后到達輸出層；第二階段是從輸出層到隱含層，最后到輸入層。

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)，具有較強的非線性映射能力、一定的容錯能力以及高度自學(xué)習(xí)和自適應(yīng)的能力，其算法具有計算量小、簡單易行等優(yōu)點。由于ICO經(jīng)濟類罪問題本質(zhì)上是非線性的，難以直接發(fā)現(xiàn)其中的關(guān)聯(lián)，因此本文采用BP神經(jīng)網(wǎng)絡(luò)來建立ICO經(jīng)濟類罪模型。

（二）模型建立

如圖1所示，為BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖，它由輸入層、隱含層和輸出層組成。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

1.輸入層參數(shù)的選擇。根據(jù)設(shè)置的ICO經(jīng)濟類罪模型評價指標(biāo)，確定13個輸入層節(jié)點，分別與14個評價指標(biāo)對應(yīng)，確定的輸入變量為Ii（i=1,2,……，13），具體如表1所示。

表1 ICO經(jīng)濟類罪模型輸入變量

2.輸出層參數(shù)的選擇。ICO經(jīng)濟類罪診斷結(jié)果有兩種，分別是合法和非法，故輸出層只需要一個節(jié)點O1作為輸出值，具體輸出值如表2所示。

表2 ICO經(jīng)濟類罪模型輸出變量

3.隱含層的確定。隱含層的節(jié)點數(shù)的選擇是個十分困難和重要的問題，它不僅會影響建立的模型性能，還會導(dǎo)致訓(xùn)練時出現(xiàn)“過度吻合”（Overfitting）問題。目前理論上還沒有一種科學(xué)和標(biāo)準的確定方法，但部分研究表明，隱含層節(jié)點數(shù)不僅與輸入/輸出層的節(jié)點數(shù)有關(guān)，更與待解決問題的復(fù)雜程度、轉(zhuǎn)換函數(shù)以及樣本數(shù)據(jù)特性等因素有關(guān)。如果數(shù)目太少，可能造成網(wǎng)絡(luò)不收斂根本無法訓(xùn)練，如果數(shù)目太多，雖然可以減小系統(tǒng)誤差，但同時也會延長訓(xùn)練時間，并且容易陷入局部極值而達不到最優(yōu)值。隱含層節(jié)點數(shù)的確定還有待研究，具有很大的經(jīng)驗性，以下給出2種方式選擇隱含層節(jié)點數(shù)目，參考公式[11]如下：

（1）n1=log2n，其中為輸入節(jié)點數(shù)，為隱含層節(jié)點數(shù)。

本文所建立的模型有13個輸入節(jié)點和1個輸出節(jié)點，由以上參考公式可知，隱含層節(jié)點數(shù)范圍為[4，13]。通過多次測試，當(dāng)隱含層節(jié)點數(shù)為10時，效果最佳。因此，將隱含層節(jié)點數(shù)設(shè)置為10個。

（三）BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，實際上是調(diào)整網(wǎng)絡(luò)的權(quán)重和閾值這兩個參數(shù)，因此需要先設(shè)定目標(biāo)誤差或最大學(xué)習(xí)次數(shù)，采用最速下降法逼近誤差函數(shù)，直至達到設(shè)置的目標(biāo)誤差，學(xué)習(xí)步驟[12]如圖2所示，具體步驟如下：

圖2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)流程圖

1.網(wǎng)絡(luò)初始化。已知輸入節(jié)點數(shù)為14，隱含層節(jié)點數(shù)為10，輸出節(jié)點數(shù)為1，設(shè)定目標(biāo)誤差為ε和最大學(xué)習(xí)次數(shù)為M，定義輸入變量Ii，隱含層輸入hj，隱含層狀態(tài)Hj，輸出層輸入ok，輸出層狀態(tài)ok，期望輸出向量Ti，輸入層與隱含層的連接權(quán)值，隱含層與輸出層的連接權(quán)值wjk，隱含層節(jié)點閾值θj，輸出層節(jié)點閾值θκ等，其中所有權(quán)值與閾值均∈（-1,1），具體變量如表3所示。

表3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)變量列表

2.隨機選取。隨機選取第個樣品數(shù)據(jù)輸入網(wǎng)絡(luò)，以及對應(yīng)的期望輸出。

3.隱含層計算。計算隱含層節(jié)點的輸入，即為其前一層各節(jié)點的輸出值的加權(quán)和：

相應(yīng)的隱含層輸出狀態(tài)為：

式（2）中φ(·)稱為激勵函數(shù)或作用函數(shù)，一般采用sigmoid函數(shù)：

式（3）中θi稱為閾值，λ稱為溫度系數(shù)。

4.輸出層計算。計算輸出層輸入為：

輸出層最終輸出為：

期望輸出記為{Tk}。

5.誤差計算。計算期望輸出與最終輸出的均方誤差函數(shù)E(W)為：

若E(W)＜ε則學(xué)習(xí)終止，否則繼續(xù)。

6.權(quán)值修正：使用最速梯度下降法來調(diào)整權(quán)值，每次的修正量為：

式（7）中η稱為學(xué)習(xí)效率，為達到最佳性能，設(shè)置η為遞減函數(shù)，滿足：

可推導(dǎo)出權(quán)值修正量公式為：

故隱節(jié)點到輸出節(jié)點的權(quán)值修正量為：

輸入節(jié)點到隱節(jié)點的權(quán)值修正量為：

7.判斷模型合理性。判斷誤差是否滿足目標(biāo)，若誤差達到目標(biāo)誤差或?qū)W習(xí)次數(shù)大于預(yù)設(shè)的最大學(xué)習(xí)次數(shù)，則結(jié)束算法；否則返回第3步，進入下一輪學(xué)習(xí)。

三、實證研究

（一）實驗數(shù)據(jù)

根據(jù)設(shè)計的ICO經(jīng)濟類罪評價指標(biāo)，收集150組樣本數(shù)據(jù)，具體樣本數(shù)據(jù)集見文獻[13]。樣本數(shù)據(jù)主要由央視曝光的2017年最新金融騙局黑名單和加密貨幣分析網(wǎng)站CoinMarketCap加密貨幣數(shù)據(jù)組成，為參與評價計算，需要進行數(shù)據(jù)預(yù)處理，規(guī)范化各指標(biāo)的值。經(jīng)過分析，采用0-1標(biāo)準化方式對數(shù)據(jù)進行處理。對處理的150組數(shù)據(jù)，將其中的130組作為學(xué)習(xí)樣本，剩下的20組作為測試樣本，利用Matlab編寫程序建立BP神經(jīng)網(wǎng)絡(luò)模型進行實證研究。

（二）實證結(jié)果

建立BP神經(jīng)網(wǎng)絡(luò)，分別導(dǎo)入130組學(xué)習(xí)樣本數(shù)據(jù)和20組測試樣本數(shù)據(jù)，并對數(shù)據(jù)進行歸一化。設(shè)定隱含層節(jié)點數(shù)為10，目標(biāo)誤差值為0.001，最大迭代次數(shù)為10000，開始訓(xùn)練神經(jīng)網(wǎng)絡(luò)。訓(xùn)練完成后，對測試數(shù)據(jù)進行BP神經(jīng)網(wǎng)絡(luò)實證研究，得到輸出值并進行反歸一化操作，再利用擇近原則，將數(shù)據(jù)分類為0或1，實際輸出、分類處理后的實際輸出和期望輸出如表4所示。實際輸出和期望輸出的對比圖如圖3所示，由對比圖可見BP網(wǎng)絡(luò)訓(xùn)練之后的輸出可以較精確地逼近目標(biāo)函數(shù)。最后，計算實際輸出與期望輸出的誤差率為14.42%，對20組樣本數(shù)據(jù)診斷準確率為95%。網(wǎng)絡(luò)誤差曲線如圖4所示，由曲線圖可知，網(wǎng)絡(luò)共訓(xùn)練11次，5次后趨于平穩(wěn)，收斂速度較快，因此該網(wǎng)絡(luò)在訓(xùn)練時間、訓(xùn)練次數(shù)等方面具有良好的性能[14]。

表4 輸出結(jié)果對比

圖3 實際輸出和期望輸出對比圖

（三）結(jié)果分析

實驗樣本數(shù)據(jù)主要來自央視已公布的金融騙局名單和CoinMarketCap網(wǎng)站數(shù)據(jù)，數(shù)據(jù)來源可靠。20組測試樣本中，包括維卡幣、萬福幣、無極幣等已確認為網(wǎng)絡(luò)傳銷的虛擬幣。實驗實際輸出與期望輸出結(jié)果基本一致，診斷準確率達到95%，即20組測試樣本中，只有一組與期望輸出不同，表明BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)之后可以較精確地對ICO經(jīng)濟類罪進行診斷。通過實驗輸出結(jié)果可知，BP神經(jīng)網(wǎng)絡(luò)模型對ICO經(jīng)濟類罪的診斷準確率較高，其原因可歸結(jié)為兩方面關(guān)鍵技術(shù)[15]，一方面是訓(xùn)練樣本的可靠選擇，覆蓋全面的樣本數(shù)據(jù)是BP神經(jīng)網(wǎng)絡(luò)具有較高診斷準確率的基礎(chǔ)；另一方面是隱含層節(jié)點數(shù)的選擇，選取合適的隱含層節(jié)點數(shù)可以提高診斷準確率。

圖4 網(wǎng)絡(luò)誤差曲線

四、結(jié)語

本文研究是基于神經(jīng)網(wǎng)絡(luò)的ICO經(jīng)濟類罪的診斷方法，以最常見的BP神經(jīng)網(wǎng)絡(luò)建立診斷模型，實現(xiàn)了對ICO合法性的預(yù)測和評估。通過合適的隱含層節(jié)點數(shù)和精心選擇的樣本數(shù)據(jù)，診斷準確率達到95%。實證結(jié)果表明，所建立的類罪模型能有效反映各評價指標(biāo)與ICO經(jīng)濟類罪之間的非線性關(guān)系。因此，BP神經(jīng)網(wǎng)絡(luò)在診斷ICO經(jīng)濟類罪方面具有較高的準確性，可用于評價ICO經(jīng)濟類罪的一種新思路。