3. 阈值类型与业务场景

在反洗钱（AML）系统中，阈值不是单一数字，而是一组与业务目标、风险偏好、数据质量和监管要求紧密耦合的决策参数。理解阈值类型及其适用场景，是后续敏感性分析与策略验证的前提。本节将阈值划分为五类：静态阈值、动态阈值、组合阈值、规则阈值与模型阈值，并分别讨论它们在交易监控、客户风险评分和名单筛查中的落地方式。

一、核心原理：五类阈值的本质差异

静态阈值是固定不变的边界值，例如“单笔现金交易超过5万元人民币即触发报告”。它的优点是实现简单、可解释性强、监管沟通成本低；缺点是难以适应客户行为漂移和季节性波动。动态阈值则根据时间、客户画像、历史行为或群体分布自动调整，例如“某客户当日交易金额超过其过去90天日均金额的3倍且绝对金额大于1万元”。动态阈值能显著降低误报，但需要稳定的数据管道和基线计算能力。

组合阈值是多个条件的逻辑组合，常见形式为“金额阈值 AND 频次阈值”或“金额阈值 OR 名单命中”。它用于表达复合风险场景，避免单一维度漏判。规则阈值是专家经验的结构化表达，通常以“如果—那么”形式出现，例如“如果客户在30天内与3个以上高风险国家发生交易，则进入人工复核”。模型阈值则来自评分卡、机器学习或图算法的输出，例如“可疑评分大于0.85”或“社区发现算法将客户标记为高风险团伙成员”。模型阈值的关键在于分数校准和业务可解释性。

二、方法流程：从场景到阈值配置

在实际项目中，阈值配置应遵循以下流程：

1. 场景拆解：明确该阈值服务于交易监控、客户风险评分还是名单筛查。交易监控关注实时性和漏报率；客户风险评分关注区分度和稳定性；名单筛查关注命中率和复核成本。
2. 数据基线：统计历史交易金额、频次、对手方分布、客户行业与地域分布，形成分位数基线（如P50、P90、P99）。
3. 阈值初设：静态阈值参考监管底线和内部风险偏好；动态阈值参考基线倍数；组合阈值定义逻辑关系；规则阈值由专家工作坊产出；模型阈值通过验证集上的KS、AUC和召回率确定。
4. 回测与调优：在历史数据上回放，观察命中率、误报率、案件转化率和平均复核时长。
5. 上线与监控：设置阈值漂移告警，定期复核动态阈值和模型阈值的稳定性。

以下是一个简化的阈值配置示例，展示交易监控中组合阈值的参数结构：

{
  "rule_id": "TM-001",
  "description": "大额高频跨境交易监控",
  "thresholds": {
    "static_amount": 50000,
    "dynamic_multiplier": 3.0,
    "baseline_window_days": 90,
    "frequency_count": 5,
    "frequency_window_hours": 24
  },
  "logic": "amount > static_amount AND frequency >= frequency_count",
  "risk_level": "high",
  "action": "manual_review"
}

三、案例/场景：三类业务中的阈值应用

交易监控：某银行对公账户在凌晨2点至4点发生多笔接近但低于5万元的转账，单笔未触发静态阈值，但组合阈值“24小时内累计金额超过20万元且交易时间集中在非营业时段”成功捕获。动态阈值则用于零售客户：若客户当月交易金额超过其过去6个月月均金额的4倍，且对手方为首次出现，则进入预警。模型阈值可用于图算法识别团伙洗钱，例如社区发现算法输出团伙风险分大于0.9时自动升级调查。

客户风险评分：静态阈值用于评分卡分段，例如“评分低于60为低风险，60至80为中风险，高于80为高风险”。动态阈值可根据客户生命周期调整，例如新开户客户在前3个月使用更严格的评分阈值。组合阈值可表达为“高风险行业 AND 高风险地域 AND 评分大于75”。模型阈值则来自梯度提升树或逻辑回归的预测概率，需通过校准曲线确保概率与实际风险一致。

名单筛查：静态阈值通常体现为相似度分数，例如“名称相似度大于85%即命中”。动态阈值可根据名单来源调整，例如对制裁名单使用更低阈值（如80%），对内部观察名单使用更高阈值（如90%）。组合阈值可结合出生日期、国籍和证件号，例如“名称相似度大于80% AND 出生日期完全匹配”。规则阈值用于排除常见误报，例如“命中白名单且无其他风险信号则自动关闭”。模型阈值可用于排序筛查结果，将最可能命中的候选对象优先推送人工复核。

四、误区/复盘：阈值配置中的常见陷阱

复盘时建议关注以下指标：命中率（触发后确认可疑的比例）、漏报率（通过抽样或案件回溯估算）、平均复核时长、阈值漂移幅度和模型分数分布稳定性。每次阈值调整都应记录变更原因、影响范围和回测结果，形成可审计的阈值治理台账。