Adversarial Regulatory Arbitrage

对抗性监管套利 MCP 服务

在 ApifyForge 上查看 | 在 Apify Store 上使用

---

快速开始

添加到你的 MCP 客户端（Claude Desktop、Cursor、Windsurf）：

{
  "mcpServers": {
    "adversarial-regulatory-arbitrage-mcp": {
      "url": "https://ryanclinton--adversarial-regulatory-arbitrage-mcp.apify.actor/mcp"
    }
  }
}

---

通过模型上下文协议，为 AI Agent 提供监管套利检测和受益所有权追踪功能。此 MCP 服务面向合规团队、金融犯罪调查人员，以及需要检测多司法管辖区空壳公司分层、通过循环公司结构追踪最终受益所有权，并对监管机构与受监管实体之间的策略动态进行建模的 AI 工作流。

它整合了 17 个实时数据源，涵盖 5 个公司注册机构（英国、加拿大、澳大利亚、新西兰、OpenCorporates）、3 个制裁数据库（OFAC、OpenSanctions、Interpol）、SEC 申报文件、内幕交易记录、GLEIF LEI、欧盟增值税、EUIPO 商标以及《联邦公报》；并应用 8 种分析工具，由原创定量算法提供支持：Stackelberg GNEP 执法博弈、mapper TDA 拓扑、Tarjan SCC 所有权循环、Fiedler 谱二分法、源自 FATF 的贝叶斯空壳公司评分、GAN 对抗策略协同演化，以及 Anderson-Rubin 工具变量因果分析。

⬇️ 可以访问哪些数据？

数据点	来源	覆盖范围
📋 全球公司注册信息	OpenCorporates	全球 2 亿多家公司
🇬🇧 英国公司申报文件、高管、PSC	UK Companies House	所有存续及已解散的英国实体
🇨🇦 联邦公司	Canada Corporate Registry	所有联邦注册公司
🇦🇺 澳大利亚商业编号	Australia ABN Lookup	所有已注册 ABN 的实体
🇳🇿 新西兰公司	NZ Companies Office	所有在新西兰注册的实体
🔴 美国财政部制裁名单（SDN）	OFAC Sanctions Search	完整的 SDN 及合并名单
🌐 全球制裁名单和观察名单	OpenSanctions Search	覆盖 60 多个国家的 100 多个项目
🚔 国际执法信息	Interpol Red Notices	全球逃犯和通缉公告
📄 美国上市公司申报文件	SEC EDGAR Search	按日期检索所有公开申报文件
📊 SEC 内幕交易（Form 4）	SEC Insider Trading	董事和高管交易
🔑 法人实体识别编码	GLEIF LEI Search	全球 LEI 数据库
🇪🇺 欧盟增值税登记	EU VAT Validator	所有欧盟成员国的增值税编号
™️ 欧盟商标注册	EUIPO Trademark Search	欧盟商标数据库
📰 美国监管行动和公告	Federal Register Search	按日期检索所有联邦法规

❓ 为什么使用此 MCP 服务检测监管套利？

手动调查多个司法管辖区时，需要打开 7 个企业登记处，分别进行制裁筛查，交叉核对内幕交易记录，然后手动推理所有权链条。每调查一个实体，这个过程都需要经过培训的调查人员耗费 4–8 小时，而且仍会遗漏只有将数据建模为图后才能发现的结构模式。

此服务将这一流程简化为一次工具调用。你的 AI Agent 会并行查询所有来源，构建所有权图，为每个节点评估空壳公司风险，并在不到 3 分钟内返回结构化分析结果。

除了汇总数据，它还应用了手动分析无法复现的算法：Tarjan SCC 可检测会绕过简单树遍历的循环所有权；谱 Fiedler 二分法可聚类所有权社群；Stackelberg GNEP 可模拟一组司法管辖区是否陷入执法逐底竞争均衡；GAN 对抗循环则可揭示哪些新型规避策略能够逃过当前检测。

• 运行于 Apify Standby — MCP 连接耗时不到 1 秒，服务始终在线，无冷启动
• 按事件计费 — 每次工具调用 $0.045，无需订阅，无月度最低消费
• 单个服务整合 17 个数据源 — 无需 API 密钥或单独订阅
• 并行获取数据 — 每次工具调用都会并发执行所有登记处和制裁查询
• 结构化 JSON 输出 — 每个工具都会返回类型化、嵌套的 JSON，可供下游 Agent 使用
• 支出控制 — 设置每次运行的预算上限；达到上限后，服务会正常停止

功能

• 并行多注册机构搜索 — 每次工具调用都会使用 Promise.all 同时查询所有相关注册机构，最大限度地缩短每次调查的延迟
• 构建所有权图 — 根据英国 PSC 披露信息、公司高管申报、OpenCorporates 关系和 GLEIF LEI 关联构建类型化的 OwnershipNode 和 OwnershipEdge 对象，并为每条边提供置信度评分
• Tarjan SCC 环检测 — 识别循环所有权结构（A 拥有 B，B 拥有 C，C 拥有 A），这是金融犯罪分层操作的典型特征；使用 Gauss-Seidel 迭代，通过多项式系统 (I-A)^{-1}d 求解实际持股比例
• 随机 UBO 可达性分析 — 通过带吸收概率的深度优先搜索追踪最终受益所有权链；对于未知持股比例，使用蒙特卡洛估算（每条未知边采样 50 次）
• 谱 Fiedler 二分法 — 通过对归一化拉普拉斯矩阵 L_norm = I - D^{-1/2} A D^{-1/2} 进行幂迭代，对所有权图中的社区进行聚类；迭代 50 次，并采用确定性的正弦初始化
• Mapper TDA 拓扑分析 — 将 16 个司法管辖区投影到 7 维特征空间，通过 PCA 幂迭代筛选第一主成分，在各区间内采用单链接聚类构建重叠覆盖，并计算 Betti 数（b0 = 监管集群，b1 = 可利用的拓扑空洞）
• Stackelberg GNEP 执法博弈 — 多领导者-跟随者博弈，使用 softmax 量化响应进行司法管辖区择址；采用 Jacobi 阻尼最佳响应迭代（收敛阈值 1e-6），最多迭代 2,000 次；将均衡分类为逐底竞争、逐顶竞争、混合或稳定
• 10 项源自 FATF 的空壳公司指标 — 不活跃状态、注册代理人地址（与 8 种已知代理人名称模式进行匹配）、高管人数少、近期注册、高风险司法管辖区（30 个司法管辖区集合）、循环所有权、分层结构、制裁关联、业务活动不匹配、名义董事——通过贝叶斯后验评分，并支持配置先验
• 超图最小割 — 通过迭代收缩边权，将所有权图划分为空壳公司侧和合法实体侧，以检测结构性空壳；返回割值、分区大小和割边
• GAN 对抗协同进化 — 生成器通过锦标赛选择和变异演化出新颖的套利策略；判别器通过受梯度下降启发的权重更新学习检测模式；将攻防竞赛阶段分类为 regulator_advantage、arbitrageur_advantage 或 red_queen_equilibrium
• Anderson-Rubin IV 分析 — 对条约网络相似性是否会因果性地推动监管趋同进行弱工具变量稳健因果推断；报告 AR 统计量、p 值、第一阶段 F 统计量和置信区间
• 监管制度分类 — 根据 7 个维度（税率、监管负担、透明度、执法能力、条约网络、AML 评级、稳定性指数）对 16 个司法管辖区进行评分；采用 k-means 风格的聚类分配，并标注集群类型（避税天堂、通道、高合规、混合）
• 16 个司法管辖区的参数 — 为 GB、US、CA、AU、NZ、IE、LU、NL、SG、HK、CH、BM、KY、VG、PA、CY 硬编码校准向量，并为任何 ISO 代码提供回退默认值

监管套利检测的使用场景

企业尽职调查和并购风险评估

评估收购目标的并购团队需要了解实际控制目标的人员，以及其所有权结构是否经得起推敲。trace_beneficial_ownership 会跨英国、加拿大、澳大利亚、新西兰和 OpenCorporates 构建完整的所有权图，通过多项式系统解析循环所有权，并返回按优先级排序的 UBO 候选名单，其中包含其控制路径、实际持股比例，以及链条中的任何制裁命中信息。

AML 和金融犯罪调查

调查潜在洗钱行为的合规官需要确定交易对手是否为空壳公司，并被用于分层洗钱。assess_shell_company_risk 根据 10 项源自 FATF 的指标为实体评分——包括休眠状态、注册代理地址、极少的高管、高风险司法管辖区、循环所有权和名义董事——并使用贝叶斯后验评分和超图最小割进行结构检测。结果会返回 0-100 的风险分数及指标明细。

监管策略与税务规划情报

律所和税务顾问在就司法管辖区架构为客户提供建议前，需要了解监管格局。analyze_jurisdiction_topology 会返回映射器 TDA 复形，其中的 Betti 数揭示所选司法管辖区集合中存在多少个不同的监管集群，以及有多少个拓扑空洞（可利用的分歧）。forecast_regulatory_convergence 会显示哪些套利窗口正在关闭，以及预计何时关闭。

面向政策研究的执法博弈分析

研究司法管辖区之间监管竞争的学术研究人员和政策分析师，可以使用 simulate_enforcement_game 对 Stackelberg 均衡进行建模：由于司法管辖区之间的税收竞争，哪些司法管辖区最终会陷入逐底竞争；均衡状态下占主导地位的套利路线是什么；以及当前执法配置造成的社会福利成本是多少。

AI Agent 金融犯罪工作流

基于 Claude、GPT-4 或任何兼容 MCP 的框架构建的 AI Agent，可以在自动化 KYC/AML 流水线中调用此服务。MCP 协议让 Agent 每次调用都能获得结构化 JSON 数据——所有权图、风险分数、均衡状态——并据此进行推理、总结，或将数据传递给下游 CRM 系统或合规平台。

调查性新闻与开源情报

调查企业架构的记者——例如调查 Pandora Papers 的记者——需要快速交叉核对多个司法管辖区公共登记册中的实体。detect_regulatory_arbitrage 会并行查询所有登记册和制裁名单，并对汇总后的图调用 detectArbitrage()，以揭示跨多个司法管辖区的空壳公司分层结构、监管时序模式，以及与监管申报相关的内幕交易关联。

⬇️ 如何连接此 MCP 服务

Claude Desktop

将以下内容添加到你的 claude_desktop_config.json：

{
  "mcpServers": {
    "adversarial-regulatory-arbitrage": {
      "url": "https://adversarial-regulatory-arbitrage-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Cursor

将以下内容添加到你的 .cursor/mcp.json：

{
  "mcpServers": {
    "adversarial-regulatory-arbitrage": {
      "url": "https://adversarial-regulatory-arbitrage-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Windsurf / Cline / 任意 MCP 客户端

使用相同的 URL 和 Bearer 令牌标头模式。任何支持 MCP Streamable HTTP 传输的客户端都能成功连接。

通过 HTTP 以编程方式调用

curl -X POST "https://adversarial-regulatory-arbitrage-mcp.apify.actor/mcp" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_APIFY_TOKEN" \
  -d '{
    "jsonrpc": "2.0",
    "method": "tools/call",
    "params": {
      "name": "detect_regulatory_arbitrage",
      "arguments": {
        "entity_name": "Pinnacle Holdings Ltd",
        "jurisdictions": ["GB", "CA", "AU", "NZ", "US"],
        "include_sec_filings": true,
        "include_insider_trades": true,
        "days_back": 90
      }
    },
    "id": 1
  }'

❓ MCP 工具参考

工具	用途	关键算法	价格
detect_regulatory_arbitrage	交叉比对 7 个司法管辖区、制裁名单和 SEC 数据，检测空壳公司分层结构	对组装后的图执行 detectArbitrage()	$0.045
trace_beneficial_ownership	追踪多层结构中的最终受益所有人，并解析循环持股	Tarjan 强连通分量 + 多项式 (I-A)^{-1}d + Fiedler 二分	$0.045
analyze_jurisdiction_topology	对监管格局进行 Mapper TDA 分析；对监管制度分类；寻找易发生套利的司法管辖区组合	PCA 筛选 + 单链接神经复形 + Betti 数	$0.045
simulate_enforcement_game	模拟监管机构与实体之间的 Stackelberg GNEP；对均衡竞赛进行分类	Jacobi 阻尼最佳响应迭代	$0.045
classify_regulatory_regime	为单个司法管辖区计算 7 维监管制度评分并排名	k-means 聚类分配	$0.045
assess_shell_company_risk	基于 FATF 的 10 项指标为空壳公司评分，并进行超图割分析	贝叶斯后验 + 超图最小割	$0.045
compute_arbitrage_equilibrium	GAN 对抗协同进化；发现新型规避策略；判断军备竞赛阶段	锦标赛选择 + 判别器更新	$0.045
forecast_regulatory_convergence	均值回归趋同预测 + AR-IV 因果分析	Anderson-Rubin 弱工具变量稳健 IV	$0.045

工具输入参数

detect_regulatory_arbitrage

参数	类型	必填	默认值	描述
entity_name	string	是	—	要调查的实体名称
jurisdictions	string[]	否	["GB","CA","AU","NZ","US"]	要搜索的 ISO 国家代码
include_sec_filings	boolean	否	true	与 SEC EDGAR 交叉比对
include_insider_trades	boolean	否	true	检查 Form 4 内幕交易模式
days_back	number (1-365)	否	90	监管文件的回溯时间范围
max_results_per_source	number (1-100)	否	20	每个数据源的结果上限

trace_beneficial_ownership

参数	类型	必填	默认值	描述
entity_name	string	是	—	公司或实体名称
jurisdictions	string[]	否	["GB","CA","AU","NZ"]	要搜索的司法管辖区
max_depth	number (1-15)	否	8	持股链的最大深度
include_sanctions	boolean	否	true	检查 OFAC 和 OpenSanctions
include_lei	boolean	否	true	补充 GLEIF LEI 数据

analyze_jurisdiction_topology

参数	类型	必填	默认值	描述
jurisdictions	string[]	否	包含 KY、BM、VG 在内的 16 个司法管辖区	要分析的 ISO 国家代码
num_clusters	number (2-8)	否	4	监管制度聚类数量
mapper_intervals	number (3-15)	否	5	Mapper TDA 的覆盖区间数量
mapper_overlap	number (0.1-0.5)	否	0.3	覆盖区间的重叠比例

simulate_enforcement_game

参数	类型	必填	默认值	描述
jurisdictions	string[]	否	["US","GB","IE","NL","LU","SG","KY","BM"]	博弈中的司法管辖区
num_entities	number (10-1000)	否	200	模拟的受监管实体数量
max_iterations	number (50-2000)	否	500	均衡迭代次数上限
damping_factor	number (0.01-0.99)	否	0.3	Jacobi 更新阻尼系数

classify_regulatory_regime

参数	类型	必填	默认值	描述
jurisdiction	string	是	—	ISO 国家代码（例如，GB、KY、SG）

assess_shell_company_risk

Parameter	Type	Required	Default	Description
entity_name	string	Yes	—	要评估的实体名称
jurisdictions	string[]	No	["GB","CA","AU","NZ"]	要搜索的司法管辖区
include_sanctions	boolean	No	true	检查 OFAC 和 OpenSanctions

compute_arbitrage_equilibrium

Parameter	Type	Required	Default	Description
jurisdictions	string[]	No	["US","GB","IE","LU","SG","KY","BM","VG"]	模拟中的司法管辖区
num_generations	number (10-200)	No	50	协同演化代数
population_size	number (50-1000)	No	200	策略群体规模

forecast_regulatory_convergence

Parameter	Type	Required	Default	Description
jurisdictions	string[]	No	["US","GB","IE","NL","LU","SG","CH"]	要比较的司法管辖区
horizon_years	number (1-20)	No	5	预测期限（年）

⬆️ 输出示例

detect_regulatory_arbitrage — Pinnacle Holdings Ltd

{
  "entity": "Pinnacle Holdings Ltd",
  "jurisdictionsSearched": ["GB", "CA", "AU", "NZ", "US"],
  "dateRange": { "from": "2025-12-22", "to": "2026-03-21" },
  "ownershipGraph": {
    "totalEntities": 14,
    "totalEdges": 19,
    "jurisdictions": ["GB", "CA", "KY", "NZ"],
    "circularOwnershipCycles": 2,
    "maxOwnershipDepth": 5
  },
  "regulatoryTopology": {
    "mapperNodes": 8,
    "mapperEdges": 11,
    "betti0": 3,
    "betti1": 2
  },
  "detections": [
    {
      "entityName": "Pinnacle Holdings Ltd",
      "entityId": "uk:12847391",
      "arbitrageType": "shell_layering",
      "confidence": 0.83,
      "severity": "HIGH",
      "jurisdictionsInvolved": ["GB", "KY"],
      "mechanism": "Cayman subsidiary receiving IP royalties from UK parent",
      "evidence": [
        { "source": "uk-companies-house", "finding": "Registered at CT Corporation agent address", "weight": 0.4, "dataPoint": "1 Canada Square, London E14 5AB" },
        { "source": "opencorporates", "finding": "Subsidiary registered KY-2023-0841 incorporated 14 months ago", "weight": 0.3, "dataPoint": "Pinnacle IP Holdings Ltd, KY" }
      ],
      "estimatedTaxBenefit": 0.22,
      "riskIndicators": ["registered_agent_address", "high_risk_jurisdiction_subsidiary", "recent_incorporation", "layered_structure"]
    }
  ],
  "totalDetections": 3,
  "sanctionsHits": 0,
  "dataSources": {
    "corporateRegistries": 47,
    "sanctionsRecords": 0,
    "secFilings": 12,
    "insiderTrades": 3,
    "regulatoryActions": 8
  }
}

trace_beneficial_ownership — Meridian Capital Group

{
  "entity": "Meridian Capital Group",
  "targetEntityFound": true,
  "graph": {
    "totalEntities": 11,
    "totalEdges": 16,
    "jurisdictions": ["GB", "CA", "KY"],
    "circularOwnershipCycles": [["Meridian Capital Group", "Meridian GP Holdings", "Meridian Capital Group"]],
    "maxOwnershipDepth": 4
  },
  "beneficialOwners": [
    {
      "beneficialOwner": "person:james-whitmore",
      "ownerName": "James Whitmore",
      "effectiveOwnership": 67.4,
      "controlPath": [
        { "id": "person:james-whitmore", "name": "James Whitmore", "jurisdiction": "GB" },
        { "id": "uk:09341827", "name": "JW Family Trust Ltd", "jurisdiction": "GB" },
        { "id": "corp:meridian-gp-holdings", "name": "Meridian GP Holdings", "jurisdiction": "KY" },
        { "id": "uk:08124593", "name": "Meridian Capital Group", "jurisdiction": "GB" }
      ],
      "pathLength": 3,
      "confidence": 0.78,
      "jurisdictionsTraversed": ["GB", "KY"]
    }
  ],
  "totalUBOCandidates": 3,
  "circularOwnershipResolution": {
    "converged": true,
    "iterations": 12,
    "residual": 0.0000034,
    "effectiveShares": {
      "Meridian Capital Group": 0.3425,
      "Meridian GP Holdings": 0.6575
    }
  },
  "ownershipCommunities": {
    "Meridian Capital Group": 0,
    "JW Family Trust Ltd": 1,
    "Meridian GP Holdings": 0
  },
  "sanctionedEntitiesInChain": []
}

simulate_enforcement_game — US/GB/IE/KY 均衡

{
  "gameConfiguration": {
    "jurisdictions": ["US", "GB", "IE", "KY"],
    "numEntities": 200,
    "maxIterations": 500,
    "dampingFactor": 0.3
  },
  "equilibrium": {
    "converged": true,
    "convergenceIterations": 143,
    "epsilon": 0.00000087,
    "regulatoryRace": "mixed",
    "socialWelfare": 1.247
  },
  "regulatorStrategies": [
    { "jurisdiction": "US", "strategy": "enforcement_level=0.6823", "payoff": 0.312, "detectionProbability": 0.546, "penaltyRevenue": 0.389 },
    { "jurisdiction": "GB", "strategy": "enforcement_level=0.5941", "payoff": 0.278, "detectionProbability": 0.505, "penaltyRevenue": 0.341 },
    { "jurisdiction": "IE", "strategy": "enforcement_level=0.2134", "payoff": 0.041, "detectionProbability": 0.160, "penaltyRevenue": 0.063 },
    { "jurisdiction": "KY", "strategy": "enforcement_level=0.0872", "payoff": 0.009, "detectionProbability": 0.031, "penaltyRevenue": 0.015 }
  ],
  "dominantArbitrageStrategies": [
    { "fromJurisdiction": "US", "toJurisdiction": "KY", "mechanism": "ip_box_routing", "expectedBenefit": 0.2100, "detectionRisk": 0.031, "netPayoff": 0.2007 },
    { "fromJurisdiction": "GB", "toJurisdiction": "IE", "mechanism": "treaty_shopping", "expectedBenefit": 0.1375, "detectionRisk": 0.160, "netPayoff": 0.0895 }
  ],
  "interpretation": "Converged to approximate Nash equilibrium in 143 iterations (epsilon=0.00000087). MIXED equilibrium: significant enforcement variation creates arbitrage opportunities. Dominant route: US -> KY via ip_box_routing (net payoff: 0.2007)."
}

assess_shell_company_risk — Orion Trading (NZ) Ltd

{
  "entity": "Orion Trading (NZ) Ltd",
  "assessments": [
    {
      "entityId": "nz:9429048211843",
      "entityName": "Orion Trading (NZ) Ltd",
      "jurisdiction": "NZ",
      "riskScore": 74,
      "riskLevel": "HIGH",
      "indicators": {
        "dormantOrInactive": true,
        "registeredAgentAddress": false,
        "minimalOfficers": true,
        "recentIncorporation": true,
        "highRiskJurisdiction": false,
        "circularOwnership": false,
        "layeredStructure": true,
        "sanctionedConnections": false,
        "mismatchedActivity": true,
        "nomineeDirectors": false
      },
      "indicatorCount": 5,
      "totalIndicators": 10,
      "explanation": "HIGH risk: dormant status, minimal officers (1 director), incorporated 8 months ago, 3-tier ownership structure, stated SIC code inconsistent with banking sector transactions",
      "connectedEntities": 4,
      "ownershipDepth": 3
    }
  ],
  "graphSummary": { "totalEntities": 8, "circularOwnershipDetected": false, "cycleCount": 0, "maxDepth": 3 },
  "hypergraphCut": { "cutValue": 0.312, "shellSideEntities": 3, "legitimateSideEntities": 5, "cutEdges": 2 }
}

⬆️ 输出字段参考

detect_regulatory_arbitrage

Field	Type	Description
entity	string	输入的实体名称
jurisdictionsSearched	string[]	已搜索的 ISO 代码
dateRange	object	from / to ISO 日期
ownershipGraph.totalEntities	number	构建的图中的节点数
ownershipGraph.totalEdges	number	边数（所有权关系）
ownershipGraph.jurisdictions	string[]	找到的不同司法管辖区
ownershipGraph.circularOwnershipCycles	number	Tarjan SCC 环路计数
ownershipGraph.maxOwnershipDepth	number	找到的最深链路
regulatoryTopology.betti0	number	连通的监管集群数（mapper）
regulatoryTopology.betti1	number	拓扑孔洞数 = 可利用的漏洞数
detections[]	ArbitrageDetection[]	最多 20 条套利检测结果，按置信度排序
detections[].arbitrageType	string	例如，shell_layering、treaty_shopping
detections[].confidence	number	0.0-1.0 置信度分数
detections[].severity	string	LOW、MEDIUM、HIGH、CRITICAL
detections[].evidence[]	object[]	含权重和数据点的支持性发现
detections[].estimatedTaxBenefit	number	估算的税率差异（0.0-1.0）
sanctionsHits	number	找到的受制裁实体名称数（去重）
dataSources	object	各来源类别的记录数

trace_beneficial_ownership

Field	Type	Description
targetEntityFound	boolean	图中是否匹配到该实体
graph.circularOwnershipCycles	string[][]	环路成员名称
beneficialOwners[]	object[]	按实际所有权比例排序的 UBO 候选项
beneficialOwners[].effectiveOwnership	number	通过链路乘积计算的百分比（0-100）
beneficialOwners[].controlPath	object[]	每个节点对应 {id, name, jurisdiction}
beneficialOwners[].confidence	number	路径上各边置信度的乘积
circularOwnershipResolution.converged	boolean	多项式系统是否收敛
circularOwnershipResolution.effectiveShares	object	名称 → 实际股份比例
ownershipCommunities	object	名称 → 集群索引（Fiedler 二分法）
sanctionedEntitiesInChain	object[]	图中命中制裁名单的实体

simulate_enforcement_game

Field	Type	Description
equilibrium.converged	boolean	在 epsilon 范围内满足纳什条件
equilibrium.regulatoryRace	string	to_bottom、to_top、mixed、stable
equilibrium.socialWelfare	number	均衡状态下的总体福利
regulatorStrategies[]	StackelbergPayoff[]	各司法辖区的均衡策略与收益
regulatorStrategies[].detectionProbability	number	transparency × enforcement_level
dominantArbitrageStrategies[]	ArbitrageStrategy[]	均衡状态下实体流动的主要策略
dominantArbitrageStrategies[].mechanism	string	例如，ip_box_routing、treaty_shopping

assess_shell_company_risk

Field	Type	Description
assessments[].riskScore	number	贝叶斯后验风险评分，范围为 0-100
assessments[].riskLevel	string	LOW、MEDIUM、HIGH、CRITICAL
assessments[].indicators	ShellCompanyIndicators	包含 10 个字段的布尔指标集
assessments[].indicatorCount	number	阳性指标的数量
hypergraphCut.cutValue	number	区分空壳公司一侧与合法实体一侧的最小割值
hypergraphCut.shellSideEntities	number	空壳公司分区中的实体数

运行监管套利分析需要多少费用？

此 MCP 服务采用按调用付费定价——每次工具调用收费 $0.045。计算费用已包含在内。

场景	工具调用次数	每次调用费用	总费用
快速测试——检查单个实体	1	$0.045	$0.045
基础尽职调查——每个实体调用 3 个工具	3	$0.045	$0.14
标准调查——调用全部 8 个工具	8	$0.045	$0.36
批量处理——调查 25 个实体（每个调用 3 个工具）	75	$0.045	$3.38
合规工作流——每月处理 100 个实体	300	$0.045	$13.50

你可以为每次运行设置最高支出限额来控制费用。达到预算上限时，服务会返回明确的错误，因此你不会产生意外费用。

Apify 免费计划每月包含 $5 的平台额度——足以免费调用约 111 次工具。

与商业 KYC/AML 平台（ComplyAdvantage、Refinitiv World-Check、Dow Jones Risk & Compliance）相比，这些平台的 API 访问费用通常为每月 $500-5,000。使用此服务，每月处理 100 个实体的合规工作流费用不到 $15，且无需订阅承诺。

此 MCP 服务的工作原理

阶段 1：并行收集数据

每次工具调用都会使用 Promise.all 并行查询所有相关数据源。actor-client.ts 中的 runActorsParallel 函数会同时调用最多 10 个下游 Apify actor，每个 actor 的超时时间为 180 秒，内存上限为 256MB。结果以类型化数组的形式返回——openCorpData、ukData、caData、auData、nzData、ofacData、openSanctionsData、secFilings、insiderTrades、fedRegData——并按实体名称合并到统一的制裁映射中。

阶段 2：构建所有权图

buildOwnershipGraph() 会摄取所有注册机构的数据，并构建类型化的 OwnershipNode 对象。英国 Companies House 数据包含公司高管（按角色分类为：director、officer、registered_agent）以及 PSC 披露信息（重要控制人，解析信息以提取所有权百分比，例如 25-50% 这样的范围）。边置信度分数按来源设定：英国 Companies House 的 PSC 边为 0.9，公司高管边为 0.95。OpenCorporates 和 GLEIF LEI 数据会合并。注册代理人地址检测使用 8 个正则表达式模式，涵盖 CT Corporation、National Registered Agents、Trident Trust、Mossack Fonseca、Appleby 和 Portcullis。制裁命中结果会通过名称匹配与 OFAC 和 OpenSanctions 交叉核对，并直接存储在每个节点上。

第 3 阶段：算法分析

组装完图后，运行相关算法：

UBO 追踪（traceUBO）：从目标节点沿所有权链进行深度优先搜索。对于未知的持股比例，使用 50 次蒙特卡洛采样估算有效持股比例。首先通过 Tarjan SCC（detectOwnershipCycles）识别所有循环结构。循环所有权通过 resolveCircularOwnership 处理：系统构建所有权矩阵 A，通过 Gauss-Seidel 迭代计算 (I-A)^{-1}d（最多迭代 100 次，残差 < 1e-6 时收敛），并返回有效持股比例。

谱社区检测（spectralOwnershipCommunities）：根据所有权图的邻接矩阵构造归一化拉普拉斯矩阵 L_norm = I - D^{-1/2} A D^{-1/2}。通过幂迭代（50 步）和正弦确定性初始化近似计算 Fiedler 特征向量。将所得向量按值排序后划分为 numClusters 个组。

Mapper TDA（regulatoryMapper）：每个司法管辖区表示为一个 7 维向量 [taxRate, regulatoryBurden, transparency, enforcementCapacity, amlRating, treatyNetwork, stabilityIndex]。PCA 幂迭代（30 步）提取第一主成分作为滤波函数。构造宽度和重叠比例可配置的重叠覆盖区间。每个区间内进行单链接聚类（特征空间中的阈值为 0.15），生成 Mapper 节点。通过查找各节点间的共享成员构建神经单纯复形。Betti-0 计数连通分量；Betti-1 根据 nodes - edges + betti0 - 1（欧拉示性数）估算。

Stackelberg GNEP（computeStackelbergEquilibrium）：使用 Jacobi 阻尼更新进行迭代最佳响应。跟随者使用温度为 5.0 的 softmax 量化响应；成本包括 taxRate + regulatoryBurden × enforcementLevel × 0.5 + transparency × enforcementLevel × riskAversion - stabilityIndex × 0.1。领导者优化 R(e) = e × transparency × presence × penalty，成本为 e²/(2 × capacity)。通过所有变量的无穷范数检查是否收敛。

空壳公司评分（assessShellCompanyRisk）：根据 FATF 派生的 10 项布尔指标，使用贝叶斯先验 P(shell | indicators) ∝ Π P(indicator_i | shell) × P(shell) 进行评分。先验 P(shell) 为 0.05（基准率为 5%）。各指标使用根据 FATF 类型学报告得出的条件概率进行参数化。超图最小割（hypergraphMinCut）通过迭代收缩边权，将图划分为空壳一侧和合法实体一侧。

第 4 阶段：组装响应

所有结果通过 json() 辅助函数序列化为 JSON，并作为 MCP CallToolResult 返回，且 content[0].type = "text"。所有数值字段均四舍五入至小数点后 3–4 位。返回前将数组切片到合理的最大长度（20 项检测结果、10 项评估结果、15 项新策略）。

获取最佳结果的提示

1. 对于未知实体，先使用 detect_regulatory_arbitrage。 这是覆盖面最广的全面检索——一次调用即可涵盖所有登记机构、制裁名单和 SEC。先用它了解有哪些数据，然后再对感兴趣的特定实体使用 trace_beneficial_ownership 跟进。

2. 只指定所需的司法管辖区。 每增加一个司法管辖区，都会增加一次并行执行者调用。对于已知与澳大利亚或新西兰没有关联的实体，请从 jurisdictions 数组中移除这两个地区，以降低每次调用的成本和延迟。

3. 在使用 simulate_enforcement_game 之前，先使用 classify_regulatory_regime。 先了解目标司法管辖区的制度概况，可以让执法博弈结果更容易解读——在套利策略中看到 IE 成为主要目的地之前，你就能判断 IE 是否充当中转司法管辖区。

4. 调查循环所有权时，请将 max_depth 设为 12 或更高。 默认值 8 对大多数结构来说已经足够，但多层开曼群岛或 BVI 架构可能超过 10 跳。无论深度如何，方程组都能解析循环所有权。

5. 谨慎解读贝蒂数。 在 analyze_jurisdiction_topology 中，betti0 = 1 表示所有司法管辖区构成一个连通的监管集群（趋同情景）。betti1 > 0 表示存在拓扑空洞——这些对应套利者利用的监管漏洞。结果为 betti0=3, betti1=2 表示存在 3 个彼此孤立的监管制度，它们之间有 2 个可利用的漏洞。

6. 使用 forecast_regulatory_convergence 进行战略规划。 Anderson-Rubin IV 输出会告诉你，条约网络相似性是否能因果性地预测趋同（检查 firstStageF > 10 以确认工具变量强度）。trendDirection: "converging" 的司法管辖区对表示套利窗口正在关闭；请在 estimatedYearsToConverge 耗尽之前规划结构调整。

7. 探索性工作时，将 max_results_per_source 设为 5-10。 默认值 20 适用于全面调查。快速筛查实体时，降低此值可以显著减少延迟，因为每个下游执行者返回的记录更少。

8. 将 assess_shell_company_risk 与 trace_beneficial_ownership 结合使用，以获得最完整的 AML 评估。壳公司评分会告诉你实体的风险等级；UBO 追踪则会告诉你其最终幕后受益人是谁。

与其他 Apify actor 组合使用

Actor	组合方式
Company Deep Research	trace_beneficial_ownership 确认最终受益所有人（UBO）后，对该个人或实体开展深度研究，以获取全面的情报报告
WHOIS Domain Lookup	将域名注册数据与所有权关系图中发现的实体进行交叉比对——代持董事通常会以自己的名义注册域名
SEC EDGAR Filing Analyzer	detect_regulatory_arbitrage 标记出值得关注的 SEC 文件后，使用文件分析器从特定文件中提取全文和财务数据
Sanctions Network Analysis	assess_shell_company_risk 返回制裁命中结果时，使用制裁网络分析绘制这些实体周边更广泛的制裁网络
B2B Lead Qualifier	对于并购团队：受益所有权追踪确认收购目标无问题后，使用潜在客户评估工具为商业机会评分
Export Compliance Screening	将空壳公司风险评分与出口合规筛查配合使用，以发现通过空壳结构促成的两用物项违规行为
Startup Due Diligence	将受益所有权追踪用作更广泛初创公司尽职调查工作流中的企业结构分析环节

局限性

• 仅使用公开数据。 所有数据源均为公开的登记册、制裁名单和文件。代持安排、不记名股票和未披露的受益所有权按定义不会出现在公开记录中。
• 英国 PSC 数据覆盖最全面，其他登记册则各不相同。 英国 Companies House 的 PSC 披露是受益所有权方面结构化程度最高的数据。加拿大和新西兰的登记册返回的所有权数据不够细致，因此边置信度评分较低。
• OpenCorporates 汇总了超过 2 亿条记录，但各司法管辖区的数据完整性不一。 部分司法管辖区的企业登记册不可用，或更新有所延迟。
• 监管制度评分基于模型，并非实时数据。 scoring.ts 中的 7 维司法管辖区参数向量根据构建日期时已发布的指数（Fraser Institute、Basel AML Index、FATF 评估）进行校准。监管变化不会动态更新这些参数。
• 空壳公司风险评分是概率评估，并非法律认定。 riskLevel: "HIGH" 表示该实体具有符合空壳公司模式的结构特征。这不构成法律建议，也不代表认定存在不当行为。
• Stackelberg 均衡假设有限理性。 softmax 量化响应模型使用固定温度值 5.0。现实中的司法管辖区选择涉及 7 维参数空间未涵盖的因素。
• GAN 对抗策略仅为理论推演。 compute_arbitrage_equilibrium 的输出描述了在所建模的检测环境下可能最优的策略。这些策略反映的是理论风险，并非有记录的现实方案。
• 没有实时事件数据。 该服务不会监控正在进行的交易，也不会发送提醒。如需持续监控，请定期运行，或与 Website Change Monitor 集成。
• Interpol 红色通报针对的是被通缉人员，而非实体。 企业实体调查很少会返回 Interpol 命中结果；此数据源主要适用于对个人高管或董事进行筛查。
• actor 客户端对每个下游 actor 的超时时间为 180 秒。 如果登记册或制裁 API 响应缓慢或不可用，该数据源会返回空数组，而不会导致整个工具调用失败。

集成

• Apify API — 从任何后端以编程方式调用 MCP 服务；在 Authorization 标头中使用 Bearer 令牌进行身份验证
• Webhooks — 当工具调用返回 riskLevel: "CRITICAL" 或检测到新的制裁命中时，触发下游警报
• Make — 构建无代码合规工作流：CRM 中新增交易对手记录时，触发受益所有权追踪，并将结果作为 CRM 备注推回
• Zapier — 连接到 Google Sheets 以维护实时风险登记表：对新条目运行空壳公司评估，并将风险评分写回表格
• LangChain / LlamaIndex — 在 RAG 流程中嵌入 MCP 工具调用；将所有权图谱输出用作结构化上下文，供大模型推理公司架构
• Google Sheets — 将司法管辖区拓扑分析或制度分类导出到电子表格，用于合规报告

故障排除

尽管已知实体存在，工具调用仍返回空的 detections 数组。 实体名称必须与公司注册机构中的名称一致。请尝试缩写、首字母缩略词或商号。英国 Companies House 的搜索支持模糊匹配，但要求名称部分重叠。对于主要以母公司名称为人所知的实体，请先搜索母公司。

trace_beneficial_ownership 返回 targetEntityFound: false。 仅当已组装图谱中的节点名称包含输入字符串（不区分大小写）时，才会设置目标节点。如果实体的注册名称与常用名称不同（例如，“Acme Corp Ltd”与“Acme”），请调整输入 entity_name，使其与注册名称一致。

simulate_enforcement_game 的均衡未收敛。 如果 converged: false，GNEP 解集可能不连通，或者该配置会导致最佳响应循环。请尝试将 num_entities 减少到 50-100，并将 max_iterations 增加到 1,000。或者，添加更多司法管辖区——规模非常小的集合（2-3 个司法管辖区且参数差异极大）可能会导致博弈无法收敛。

工具调用延迟较高。 服务会并行调用最多 10 个下游 Actor；个别响应缓慢的注册机构 API（尤其是高峰时段的 NZ Companies Office）可能会延长总延迟。将 max_results_per_source 减少到 10，并将司法管辖区限制在最相关的集合内，可显著缩短响应时间。

forecast_regulatory_convergence 返回 causalAnalysis: null。 Anderson-Rubin IV 分析至少需要 5 对司法管辖区。如果提供的司法管辖区少于 4 个，成对数量就会低于阈值。请添加更多司法管辖区以启用因果分析。

负责任地使用

• 此服务仅访问公开可用的公司注册信息、制裁名单、监管备案文件和财务披露信息。
• 输出是分析工具，不构成法律认定。在将任何结果用于监管决策之前，都应由合格的合规或法律专业人士进行审核。
• 在合规流程中使用此服务的输出时，请遵守 GDPR、当地数据保护法律以及所在司法管辖区的 AML 法规。
• 请勿使用输出数据助长歧视、骚扰或未经授权的个人画像。
• 有关公开数据访问的法律环境，请参阅 Apify 的网络抓取合法性指南。

❓ 常见问题

监管套利检测如何运作？具体来说，此服务器会检测什么？ 此服务器会对照 7 个公司注册机构、3 个制裁数据库、SEC 备案文件和《联邦公报》中的信息，交叉核查某个实体。它会构建所有权图，并运行 detectArbitrage()，根据 8 种套利机制的证据进行评分：转让定价、条约择优、监管迁移、空壳分层、名义董事、信托介入、混合错配和知识产权盒路由。每项检测都会提供置信度评分、严重级别和支持证据列表。

如何沿着循环所有权结构追踪受益所有权？ 首先使用 Tarjan 的 SCC 算法检测循环所有权。随后将循环子图建模为线性系统：如果 A 拥有 B 的 60%，而 B 拥有 A 的 40%，则构建有效所有权矩阵，并使用 Gauss-Seidel 迭代求解 (I-A)^{-1}d。结果会给出每个实体实际持有的经济权益比例，从而将循环关系化解为净比例。

公司注册查询覆盖哪些司法管辖区？ 实时注册查询覆盖 GB（英国 Companies House）、CA（加拿大公司注册机构）、AU（澳大利亚 ABN Lookup）和 NZ（新西兰 Companies Office）。OpenCorporates 提供全球覆盖，涵盖 2 亿多家公司。监管制度建模覆盖 16 个司法管辖区：GB、US、CA、AU、NZ、IE、LU、NL、SG、HK、CH、BM、KY、VG、PA、CY。

analyze_jurisdiction_topology 输出中的 Betti 数是什么？该如何解读？ Betti-0 统计 mapper 单纯复形中的连通分量，即不同监管集群的数量。Betti-1 统计拓扑空洞，即复形中的闭合环路，它们代表司法管辖区之间可被利用的监管漏洞，这些司法管辖区彼此关联但并未完全协调。betti1 > 0 表示存在这类漏洞，并给出其数量。

空壳公司的风险评分有多准确？ 这套包含 10 项指标的评分依据 FATF 关于空壳公司指标的类型学报告进行校准。每项指标都有通过经验推导出的条件概率。贝叶斯后验会将这些指标与 5% 的基准率先验结合。结果是一种相对风险信号：得分高于 70 的实体存在多个结构性风险警示；但这并非经过验证的法证工具，应将其用作筛查机制，而非最终判定。

此服务器能检测洗钱吗？ 它能识别与洗钱类型学相符的结构性风险模式：空壳分层、循环所有权、名义董事、高风险司法管辖区关联，以及与制裁对象的接近程度。它无法观察交易流，也不会作出法律认定。结果应由具备资质的 AML 合规专员审核。

Stackelberg 执法博弈与简单的监管比较有何不同？ 静态监管比较会列出各司法管辖区的规则。Stackelberg GNEP 则会对策略互动进行建模：监管机构如何针对实体为规避监管而转移资本调整执法力度？实体又会如何应对执法力度的变化？迭代最佳响应过程会收敛到一个均衡，反映这种策略竞争的稳定结果，包括系统是否最终陷入逐底竞争。

使用公开的公司注册数据进行合规筛查是否合法？ 公开公司注册机构的设立宗旨就是确保透明并向公众开放。OFAC 和 OpenSanctions 发布名单的目的就是供合规使用。SEC EDGAR 中的信息属于公开记录。将这些数据用于尽职调查、AML 筛查和合规用途，完全符合通常做法和预期用途。如需了解完整的法律背景，请参阅 Apify 的网页抓取合法性指南。 这与 ComplyAdvantage 或 World-Check 等商业 KYC 平台有何不同？ 商业平台提供经过整理和维护的数据库，并由分析师审核，且提供法律抗辩保障。本服务聚合实时公开数据并进行算法分析，访问速度更快，成本也显著更低（每次调用 $0.045，而商业平台每月 $500-5,000）；此外，还提供商业平台所不具备的博弈论和拓扑分析层。它最适合作为初步筛查工具或研究层，而不是可审计商业 KYC 记录的替代品。

我可以将它用于自动化 AI Agent 工作流吗？ 可以，这是本服务的主要设计目标。MCP 协议意味着 Claude、GPT-4 或任何兼容 MCP 的 Agent 都可以在 Agent 式循环中直接调用这些工具。结构化 JSON 输出专为大模型使用而设计。工具在主要数组中最多返回 20 条记录，以便合理控制上下文窗口用量。

一次典型的工具调用需要多长时间？ 大多数工具需要 30-90 秒，主要耗时来自并行的下游 Actor 调用。classify_regulatory_regime 可即时完成（纯计算，不获取数据）。启用全部 5 个司法管辖区和 SEC 数据时，detect_regulatory_arbitrage 通常需要 60-90 秒。减少 max_results_per_source 并限制司法管辖区，可使大多数调用在 45 秒内完成。

如果某个下游数据源不可用，会发生什么？ 每个下游 Actor 调用都由 try-catch 包裹，并设置 180 秒超时。如果任何数据源失败或超时，就会返回一个空数组。工具调用会继续使用成功获取的数据，并在 dataSources 记录数中隐含标明缺失的数据源。

帮助我们改进

如果您遇到问题，可以在 Apify 账户中启用运行共享，帮助我们更快地排查问题：

1. 前往 账户设置 > 隐私
2. 启用 与公开 Actor 创建者共享运行数据

这样一来，出现问题时我们就能查看您的运行详情，从而更快地修复问题。您的数据仅对 Actor 开发者可见，不会公开。

支持

发现 Bug 或有功能需求？请在此 Actor 页面上的 问题标签页中提交问题。如需定制实现、企业集成或特定司法管辖区覆盖，请通过 Apify 平台联系我们。