2. AML基础概念
在构建任何反洗钱（Anti-Money Laundering, AML）模型之前，团队必须先对齐一组基础概念。否则，模型指标再漂亮，也可能因为对“可疑”的定义不一致而无法通过合规验收。本节围绕四个问题展开：洗钱到底是什么、监管要求模型承担什么责任、可疑交易如何被识别、以及AML模型在金融机构中通常落在哪些业务场景。
一、洗钱的定义与三阶段模型
洗钱是指将犯罪所得及其收益，通过一系列交易或资产转换，掩盖其非法来源和真实所有权，使其在形式上看起来合法的过程。金融行动特别工作组（FATF）将其概括为“处置、离析、融合”三个阶段：
- 处置（Placement）：将现金或非法资金首次注入金融体系，例如拆分存款、购买高价值商品。
- 离析（Layering）：通过多层转账、跨境汇款、壳公司交易等复杂路径切断资金与来源的联系。
- 融合（Integration）：将已“洗净”的资金以投资、购房、经营收入等形式重新进入合法经济。
对模型而言，处置阶段常表现为现金密集、结构化拆分；离析阶段表现为高频、多对手、跨地域的复杂网络；融合阶段则更隐蔽，往往需要结合客户身份、行业与资产信息综合判断。理解这三个阶段，是后续设计特征和选择评估指标的前提。
二、反洗钱监管要求与模型责任
各国监管框架虽有差异，但核心义务高度一致，通常包括客户身份识别（KYC）、客户尽职调查（CDD/EDD）、交易记录保存、大额与可疑交易报告，以及持续监控。以中国为例，《反洗钱法》《金融机构客户尽职调查和客户身份资料及交易记录保存管理办法》等构成了基本要求；国际上FATF建议和巴塞尔委员会指引则提供了跨境对标基础。
监管并不直接规定“模型必须达到多少Precision”，但要求机构建立与风险相匹配的监测体系，并能证明其有效性。这意味着AML模型不仅要“抓得多”，还要“抓得准”，同时保留可解释的审计轨迹。下表列出监管要求与模型设计之间的对应关系：
| 监管要求 | 对AML模型的具体影响 | 常见评估关注点 |
|---|---|---|
| 客户尽职调查 | 模型需引入客户风险等级、行业、地域等静态特征 | 覆盖率、风险分层合理性 |
| 可疑交易报告 | 模型输出需可转化为可提交的线索与理由 | Precision、上报转化率 |
| 持续监控 | 需支持批量与准实时评分，并保留版本记录 | Recall、时效性、稳定性 |
| 记录保存与审计 | 特征、阈值、规则版本必须可追溯 | 可解释性、审计通过率 |
三、可疑交易识别流程
可疑交易识别不是单点模型，而是一条从数据到报告的流水线。典型流程如下：
- 数据采集与整合：交易流水、客户信息、账户关系、外部名单等。
- 规则与模型评分：规则引擎处理明确阈值，模型处理复杂模式，两者并行或串行。
- 告警生成与去重：合并同一客户多规则命中，避免重复告警。
- 人工调查与反馈：调查员判断是否上报，并回填标签。
- 报告与归档：生成可疑交易报告，保存证据链。
其中第4步的反馈是模型迭代的关键。没有人工调查标签，Precision和Recall就无从计算。实践中常用如下方式记录一次评分结果：
{
"customer_id": "C100238",
"score": 0.87,
"threshold": 0.75,
"hit_rules": ["STRUCTURING_3D", "HIGH_RISK_GEO"],
"alert_time": "2025-03-11T09:22:00Z",
"investigator_label": "SAR",
"review_note": "多笔接近阈值存款，来源解释不足"
}这段日志同时服务于模型评估和审计：score用于排序，hit_rules用于解释，investigator_label用于计算Precision与Recall。
四、AML模型在金融机构中的典型应用场景
AML模型并非只用于“抓坏人”，它在不同业务环节承担不同角色：
- 交易监控：对每笔或每批交易评分，识别结构化拆分、异常时段、异常对手方。
- 客户风险评级：结合KYC信息与行为特征，动态调整客户风险等级。
- 名单筛查：对制裁名单、PEP名单进行模糊匹配与二次确认。
- 网络分析：识别壳公司、资金环路、集中转入分散转出等团伙模式。
- 案件优先级排序：在告警量巨大时，用模型分数决定调查顺序。
五、常见误区与复盘
初学者最容易陷入三个误区。第一，把AML模型当成普通分类模型，只追求AUC，却忽略告警量下的Precision。第二，认为规则和模型互斥，实际上规则提供确定性覆盖，模型补充复杂模式，二者应协同。第三，忽略标签延迟与标签偏差：可疑交易报告往往在调查后数周才回填，且只有被调查的告警才有标签，导致Recall被高估。
复盘时可以用一个简单清单检查基础概念是否对齐：洗钱阶段是否覆盖、监管义务是否映射到特征、识别流程是否有反馈闭环、应用场景是否明确指标优先级。只有这些基础问题回答清楚，后续的Precision、Recall与成本评估才有稳定的讨论基础。