3. 客户风险评分概述

在反洗钱（AML）体系中，客户风险评分是决定资源投向、控制强度与监测频率的“第一道量化关口”。它回答一个核心问题：这个客户在身份、业务、地域、行为等维度上，整体上有多大的洗钱或恐怖融资风险？只有先把客户风险评清楚，后续的交易风险评分才有稳定的基准，联合评分也才有意义。本节从客户风险因素分类、风险等级划分、评分模型基本逻辑与常见误区四个层面展开，为后续实战建模打下概念基础。

一、客户风险因素分类：从“静态画像”到“动态行为”

客户风险因素通常分为四大类，每类下再细分具体指标。分类的目的不是罗列，而是确保评分模型覆盖全面、不遗漏关键风险源。

• 客户身份因素：包括客户类型（个人、企业、金融机构、非营利组织）、职业与行业、股权结构、实际受益人透明度、政治公众人物（PEP）身份、制裁名单命中情况等。身份因素往往决定客户的“先天风险”。
• 业务关系因素：包括开户渠道（柜面、线上、代理）、账户用途、预期交易规模与频率、产品复杂度（如私人银行、跨境汇款、虚拟资产）、现金密集程度等。业务关系反映客户“想做什么”。
• 地域因素：包括客户国籍、注册地、经营地、交易对手所在国家或地区。高风险司法管辖区、避税天堂、受制裁地区会显著抬升地域风险权重。
• 行为与历史因素：包括历史可疑交易报告（STR）记录、账户异常活动、逾期更新身份信息、频繁变更联系方式、与高风险客户关联等。行为因素体现客户“实际怎么做”。

这四类因素在评分模型中通常以“维度—指标—取值—权重”的层级结构组织。例如，身份因素下“PEP身份”取值为“是/否”，权重较高；地域因素下“高风险国家”取值为“是/否”，权重中等。分类清晰后，才能避免指标重复计算或权重失衡。

二、风险等级划分：从连续分数到离散等级

评分模型输出的是连续分数，但业务上需要离散等级来匹配控制措施。常见的划分方式有三分法（低、中、高）、四分法（低、中、中高、高）或五分法。划分的关键在于阈值设定与业务可解释性。

阈值不是拍脑袋决定的，应结合机构的风险偏好、监管要求与历史数据分布。例如，若高风险客户占比过高，会导致合规资源被稀释；若过低，则可能漏掉真实风险。实践中常用分位数法或专家判断法确定切分点，并定期回溯调整。

三、评分模型的基本逻辑：加权求和与规则引擎

客户风险评分模型最常用的逻辑是加权求和：每个指标先映射为分值，再乘以权重，最后加总并归一化到0–100分。其数学表达为：

客户风险总分 = Σ (指标得分 × 指标权重) / Σ 指标权重 × 100

例如，某客户为PEP（身份指标得分80，权重0.25），来自高风险国家（地域指标得分90，权重0.20），现金密集行业（业务指标得分70，权重0.20），无历史STR（行为指标得分10，权重0.15），其他指标得分30（权重0.20）。则加权总分为：

(80×0.25 + 90×0.20 + 70×0.20 + 10×0.15 + 30×0.20) / 1.0 = 20 + 18 + 14 + 1.5 + 6 = 59.5

该客户落在中风险区间。这种模型透明、可解释，便于审计与调参。但纯加权求和也有局限：它假设指标之间线性独立，无法捕捉“组合风险”。例如，PEP身份叠加高风险国家，风险可能不是简单相加，而是指数级上升。因此，进阶模型会引入规则引擎或决策树，对特定组合设置“一票否决”或“风险加成”。

四、常见误区与复盘：从“模型上线”到“模型有效”

许多机构在客户风险评分上踩过同样的坑。以下是最常见的五类误区及复盘建议：

1. 误区一：指标越多越好。指标过多会导致权重稀释、计算复杂、维护困难。复盘：优先保留高区分度、高监管相关性的指标，定期做相关性分析，剔除冗余项。
2. 误区二：权重长期不变。监管环境、犯罪手法、业务结构都在变，权重却三年不调。复盘：建立年度权重评审机制，结合STR数据与监管处罚案例动态调整。
3. 误区三：忽略数据质量。客户信息缺失、过期、错误，导致评分失真。复盘：将数据完整性纳入评分前置校验，缺失字段按“最坏情况”赋值或触发人工复核。
4. 误区四：等级划分与业务脱节。高风险客户没有匹配强化措施，低风险客户却被过度打扰。复盘：等级划分必须与控制措施、复核频率、审批权限一一对应，并纳入操作流程。
5. 误区五：模型上线即终点。没有持续监控与回溯，模型漂移无人察觉。复盘：建立模型监控看板，跟踪分数分布、等级迁移、STR命中率等指标，每季度做一次回溯测试。