CARF落地实施,中国居民持有加密资产会被追缴税款吗?

marsbit發佈於 2026-02-02更新於 2026-02-02

文章摘要

CARF的推进将显著增强各国税务机关获取海外加密资产信息的能力。该框架虽不创设新税种,但通过自动信息交换机制,使税务机关能识别本国居民在境外的加密资产收益,并对未申报行为进行追税和处罚。 对于已加入CARF的国家(如英国),税务机关可系统性收集用户交易数据,追溯以往未申报的加密收益。中国大陆目前尚未加入CARF,因此仅因持有加密资产本身而被直接追税的风险较低。 但关键风险点在于加密资产变现:一旦将加密资产兑换为法币并存入海外银行账户,相关信息可能通过现有CRS机制或其他双边合作渠道传回中国税务机关,导致追税和处罚风险显著上升。此外,各国税务机关仍可通过个案调查协作交换涉税信息,进一步增加合规不确定性。

作者:FinTax

CARF的基本影响逻辑

随着CARF的推进,各国税务机关获取海外加密资产信息的能力将显著提升。

CARF并不创设税收规则,而是通过自动信息交换,使税务机关能够识别本国税务居民在境外取得的加密资产收入。

在信息透明的基础上,对未申报收益进行补税和执法或将成为常态。

对于已承诺加入CARF并立法推行的国家而言,税务居民在海外交易所的加密资产账户及交易信息,将通过CARF机制在各国税务机关之间交换。税务机关可据此比对纳税申报情况,对漏报、少报行为实施处罚。

已加入CARF国家:信息透明后可被追溯

以英国为例,自2026年起,英国已要求本地加密资产服务提供商系统性收集用户交易数据,用于税务核查。英国税务海关总署(HMRC)已明确表示,将利用相关数据交叉比对个人报税记录,若发现未依法申报的加密资产收益,将依法追缴税款并处以罚款。

在该类司法辖区内,一旦加密资产交易信息通过CARF进入税务机关视野,过往未申报的海外加密所得存在被追溯征税的现实风险。

关键风险点:加密资产变现

中国大陆目前尚未加入CARF,税务机关短期内无法通过CARF自动获取中国居民在海外交易所持有的加密资产账户信息。在现行政策不变的情况下,仅因海外持有加密资产本身,被国内税务部门直接发现、追缴税款的风险相对较低。

但这一判断仅限于加密资产停留在加密体系内。一旦加密资产被兑换为法币,并进入银行账户或其他金融账户体系,风险路径将发生变化。

中国大陆自2018年起已全面实施CRS,并与多个司法区开展金融账户信息自动交换。在CRS框架下,中国税务机关已存在通过海外金融账户信息追缴税款的实际执法先例。

因此,即便中国大陆尚未参与CARF,加密资产一旦通过海外交易所变现,并储存于金融账户中,相关信息仍有可能通过CRS或其他渠道被传回国内税务机关。

其他税务信息渠道的现实存在

在现有税收协定及执法合作机制下,各国税务机关可通过个案调查协作,交换特定纳税人的涉税信息。

若他国税务机关在执法过程中发现涉及中国居民的大额逃税或违法交易,相关线索亦可能通过双边机制提供给中方。

相關問答

QCARF是什么,它如何影响中国居民在海外持有的加密资产?

ACARF是加密资产报告框架,它通过自动信息交换使各国税务机关能够识别本国税务居民在境外取得的加密资产收入。虽然中国尚未加入CARF,但一旦加密资产变现进入金融账户,仍可能通过CRS等机制被国内税务机关获取信息。

Q中国居民仅因在海外持有加密资产会被直接追税吗?

A在现行政策下,仅因海外持有加密资产本身被国内税务部门直接发现和追税的风险较低。但若加密资产变现为法币并存入金融账户,则可能通过CRS机制被税务机关发现并追缴税款。

Q哪些国家已加入CARF并可能追溯加密资产收益?

A英国等已承诺加入CARF的国家自2026年起将要求本地加密服务商收集用户交易数据,税务机关可利用这些信息交叉比对报税记录,对未申报的加密收益追溯征税并处罚。

Q加密资产变现后如何增加税务风险?

A加密资产变现为法币并存入海外银行账户后,会进入CRS框架的覆盖范围。中国已实施CRS并与多国交换金融账户信息,因此变现后的资金流向可能被国内税务机关追踪并用于税务稽查。

Q除CARF外,还有哪些途径可能暴露中国居民的海外加密资产?

A除CARF外,各国税务机关可通过现有税收协定和执法合作机制进行个案调查协作。若他国发现涉及中国居民的大额逃税或违法交易,相关线索可能通过双边机制提供给中方税务机关。

你可能也喜歡

生成模型也能端到端训练了?核心竟是一个for循环

长期以来,深度学习在图像分类、检测等任务上凭借端到端训练取得了巨大成功,但生成模型领域却始终是个例外。当前主流的自回归、扩散模型等训练时只学习预测“一小步”,推理时则需要反复展开数百上千步,这种训练与推理的不一致导致了“暴露偏差”等问题,使得生成模型一直未能实现真正的端到端训练。 最近,一篇来自UIUC与哈佛大学的论文提出了“探索式建模(Explorative Modeling,XM)”新范式,其核心是一个简单到近乎朴素的for循环:在每个训练步骤中,模型生成K个候选样本,然后仅选取其中最接近真实数据的一个样本来计算损失和回传梯度。这种做法巧妙地绕开了传统生成模型中因使用重构损失(如平方误差)而导致的“模态模糊”问题——即模型倾向于输出多个可能答案的平均值,而这个平均值往往不属于任何真实的数据模式。 XM通过这种方式,在不拆分生成过程的前提下,直接提升了模型的“生成表达力”,即模型捕捉数据分布中多个独立模式的能力。论文将“探索”验证为继模型参数量、数据量之后的第三根可扩展轴。实验表明,随着模型规模、数据量和计算量的增大,探索带来的性能收益越发显著,在图像、视频、语言等多种任务上均能带来效率与质量的提升。 更重要的是,当探索程度足够时,XM可以实现真正的端到端生成。在机器人控制等任务中,仅需一次网络前向传播的XM策略,其性能可媲美甚至超过需要上百次前向的扩散模型策略,实现了推理效率的飞跃。 尽管“最佳K样本选择”的思想并非全新,但该研究的贡献在于清晰地揭示了这一简单机制如何直接解决生成模型的核心瓶颈,并为实现高效、端到端的生成模型开辟了新的可能性。随着模型规模的持续扩大,探索这一新维度可能将发挥越来越关键的作用。

marsbit10 分鐘前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit10 分鐘前

年薪百万抢电工,Meta急到自己办技校

AI竞赛正面临新的瓶颈:工地。美国正面临严重的电工、建筑工等技术工人短缺,这已成为微软、Meta、OpenAI等公司快速建设超大规模AI数据中心(如OpenAI耗资160亿美元的“星际之门”项目)的“头号障碍”。 尽管AI公司愿支付高薪(如电工年薪可达24-28万美元),远超传统行业,但熟练技工仍供不应求。麦肯锡预测,美国在2023-2030年间需额外培养13万名电工和24万名建筑工,而劳工统计局预计每年仍有8万个电工岗位空缺。这种短缺导致项目延迟,每月可能造成数百万美元的收入损失。 AI数据中心建设复杂,需应对巨大功耗(一座设施耗电堪比数十万户家庭)、复杂的配电系统以及高密度散热(需液冷技术)等挑战,因此亟需大量技术娴熟的工人。 为此,科技巨头开始亲自下场培养人才。例如,Meta投入1.15亿美元建立建筑工人培训学校,提供免费培训及生活补贴,以快速输送工人上岗。OpenAI则与建筑工会合作,提前锁定熟练劳动力。同时,企业也将招聘目光投向高中生,鼓励年轻人投身技工行业。这些举措已见成效,Z世代对技工职业的兴趣显著上升。 然而,更深层的挑战在于电力。AI数据中心用电量正以惊人速度增长,已推高部分地区的电价。此外,数据中心建设是项目制的,建设期需要成千上万的工人,但建成后仅需少量常驻人员。这意味着未来可能面临熟练工人短期过剩、并流向其他行业压低薪资的风险。如何实现劳动力与电力资源的长期平衡,仍是悬而未决的问题。

marsbit1 小時前

年薪百万抢电工,Meta急到自己办技校

marsbit1 小時前

交易

現貨
活动图片