4. 交易风险评分概述
客户风险评分回答的是“这个客户本身有多可疑”，而交易风险评分回答的是“这笔或这组交易在当前时点有多可疑”。两者视角不同：前者相对稳定，更新频率低；后者随交易实时变化，是AML监测系统真正高频运转的部分。本节聚焦交易风险评分的三个基础问题：风险因素如何分类、异常交易如何识别、评分模型的基本逻辑是什么，以及实践中最容易踩的误区。
一、交易风险因素分类
交易风险因素可以按“交易自身属性—交易对手与路径—行为模式—外部环境”四个层次归类。分类的目的不是罗列字段，而是让每个因素都能对应到可计算的指标和可解释的风险含义。
| 层次 | 典型因素 | 风险含义 | 数据来源 |
|---|---|---|---|
| 交易自身属性 | 金额、币种、渠道、时间、频率 | 是否偏离客户历史与同类客户基线 | 交易流水 |
| 交易对手与路径 | 对手方地区、账户类型、跨境标志、中间行 | 是否触及高风险国家、空壳账户、复杂路径 | 报文、对手方主数据 |
| 行为模式 | 拆分、快进快出、集中转入分散转出、夜间操作 | 是否呈现典型洗钱或欺诈结构 | 时序聚合、图计算 |
| 外部环境 | 制裁名单命中、负面新闻、监管预警 | 是否与已知风险主体或事件关联 | 名单库、舆情、监管通报 |
分类之后要做的关键动作是“因素可计算化”。例如“快进快出”不能停留在描述层面，而应定义为：资金入账后T小时内转出比例超过P%，且留存余额低于入账金额的Q%。只有落到参数上，评分才有可复现性。
二、异常交易识别的基本方法
异常识别通常有三条并行路径，实际系统中往往组合使用：
- 规则命中：基于监管要求和专家经验设定硬阈值，如单笔超过等值5万美元的跨境转账、24小时内同一对手方交易超过10笔。优点是解释性强、可直接对应监管条款；缺点是易被规避、误报率高。
- 统计偏离：以客户自身历史或同类客群分布为基线，计算Z-score或分位数偏离。例如某客户月均交易额2万元，突然出现单日80万元，偏离度极高。
- 模型评分：用逻辑回归、梯度提升树或图模型输出0~100的连续风险分，再按阈值分层处置。优点是能捕捉多因素非线性组合；缺点是可解释性和稳定性需要额外治理。
实务中推荐“规则保底、统计校准、模型排序”的组合：规则确保监管底线不漏，统计和模型负责在规则之外发现新型和组合型异常。
三、评分模型的基本逻辑
交易风险评分的基本逻辑可以概括为：因素→指标→权重→分数→分层。无论用规则加权还是机器学习，最终都要输出一个可比较、可排序、可解释的分数。
一个典型的加权评分流程如下：
- 对每个风险因素做归一化，映射到0~1或0~100区间。
- 按业务重要性和监管权重分配系数，权重之和为1。
- 计算加权总分，并叠加规则触发的“硬加分”或“一票否决”。
- 按分数区间划分高、中、低风险，触发不同处置动作。
score = w1 * amount_deviation
+ w2 * counterparty_risk
+ w3 * channel_risk
+ w4 * pattern_risk
+ w5 * list_hit
+ rule_boost
# 示例参数
w1=0.25, w2=0.20, w3=0.15, w4=0.30, w5=0.10
rule_boost: 制裁命中 +40，拆分结构 +25
分层：score >= 80 高风险；60~79 中风险；< 60 低风险需要强调的是，权重不是拍脑袋定的。它应来自历史案件回溯、监管处罚案例和业务专家评审，并定期用命中率、误报率、案件覆盖率等指标校准。
四、常见误区与复盘
交易风险评分最常见的失败不是模型不够复杂，而是逻辑与业务脱节、阈值长期不校准、以及把评分当成结论而非线索。
- 误区一：把客户风险分直接当交易风险分。高风险客户的所有交易都被打高分，导致告警淹没；正确做法是客户风险作为交易评分的一个输入因子，而非替代。
- 误区二：只做单笔评分，忽略时序与关联。拆分交易单笔看都正常，组合起来才异常。必须引入滑动窗口和关联账户分析。
- 误区三：阈值一设了之。业务结构、监管要求和犯罪手法都在变，阈值需要按季度或事件驱动复盘。
- 误区四：追求模型AUC而忽视可解释性。AML场景中，分析师需要向监管解释为什么这笔交易被判定为高风险，黑箱模型必须配合SHAP等解释工具。
- 误区五：评分后没有闭环。高分告警是否被调查、调查结论是否回流修正权重，决定了评分体系能否持续进化。
复盘时建议固定问三个问题：这个分数对应的案件是否真实存在？漏报的案例中哪些因素没有被纳入？当前权重下误报主要集中在哪类客户或渠道？把这三个问题的答案写回模型和规则，交易风险评分才不是一次性工程，而是可持续运转的监测能力。