二、监管框架与合规要求：国内外反洗钱法规、STR义务与数据保护

可疑交易监测模型并非纯粹的算法或技术工程，其设计边界、特征变量选择、触发阈值设定以及报告流程，均受到监管法规的刚性约束。理解监管框架是模型设计的“第一粒扣子”，若扣错，后续的模型再精准也可能因合规瑕疵而失效。本章将围绕FATF国际标准、中国央行3号令（即《金融机构大额交易和可疑交易报告管理办法》）、可疑交易报告（STR）义务以及数据保护合规四个核心维度展开，帮助模型设计者建立“合规先行”的工程思维。

2.1 FATF与国际反洗钱标准：风险为本的底层逻辑

2.1.1 核心原理：从规则为本到风险为本

金融行动特别工作组（FATF）发布的《40项建议》是全球反洗钱、反恐怖融资和防扩散融资的国际基准。2012年修订版明确将“风险为本方法”（Risk-Based Approach, RBA）作为核心原则。这意味着，金融机构不应机械地对所有客户和交易施加同等力度的监测，而应根据客户身份、地域、业务类型、交易特征等维度评估固有风险，并据此配置监测资源。

对于可疑交易监测模型而言，风险为本原则直接决定了模型的设计策略：高风险客户（如政治公众人物PEP、高风险地区注册主体）应设置更敏感的触发阈值和更短的监测周期；低风险客户（如工资代发账户）则可适当放宽阈值，减少误报干扰。模型不能“一刀切”，否则会导致高风险漏报与低风险误报并存。

2.1.2 判断方法：如何将RBA落地到模型参数

在模型设计阶段，RBA的落地通常遵循以下操作流程：

1. 风险因子识别：梳理客户、产品、渠道、地域四类风险因子，建立风险评分卡。
2. 风险等级划分：将客户分为低、中、高、极高四档，每档对应不同的监测策略。
3. 阈值矩阵设计：针对不同风险等级，设定差异化的交易金额、频率、关联度阈值。
4. 模型参数映射：将风险等级作为模型输入特征，或作为规则引擎的前置条件。
5. 持续校准：定期根据监管处罚案例、内部审计结果和可疑报告成案率调整参数。

2.1.3 案例拆解：某外资银行因RBA缺失被处罚

背景与约束：某外资银行在华分行因反洗钱内控失效被央行处以2100万元罚款。调查发现，该行对所有客户统一使用一套交易监测规则，未区分客户风险等级。

初始现象：监管检查发现，该行对某高风险贸易公司客户的每日多笔大额拆分转账（单笔4.9万元，每日20余笔）未触发任何预警，而大量低风险个人客户的正常工资转账却频繁触发误报。

分析判断过程：监管认定该行未落实风险为本原则，监测模型缺乏风险差异化设计，导致高风险领域出现系统性漏报。

整改措施：该行重新设计风险评分卡，将客户分为四档，并针对高风险客户增设“拆分交易”“快进快出”“夜间交易”等专项规则，同时将高风险客户监测频率提升至准实时。

结果对比：整改后，高风险客户预警量提升320%，低风险客户误报量下降45%，可疑交易报告成案率从1.2%提升至4.8%。

复盘经验：模型设计必须从客户风险画像出发，而非从规则库出发。风险为本不是口号，而是参数矩阵的具体体现。

2.2 中国央行3号令：大额交易与可疑交易的具体要求

2.2.1 核心原理：3号令的量化标准与报告时限

中国人民银行令〔2016〕第3号《金融机构大额交易和可疑交易报告管理办法》是境内反洗钱监测最直接的量化依据。3号令明确了大额交易的报告标准：自然人大额现金交易5万元以上、非自然人200万元以上；自然人境内转账50万元以上、境外转账20万元以上；非自然人境内转账200万元以上、境外转账100万元以上。同时，3号令列举了18类可疑交易监测指标，涵盖客户身份、交易行为、资金来源与用途等维度。

对于模型设计者，3号令的“可疑交易报告时限”是硬约束：可疑交易发生后5个工作日内提交STR；如涉嫌恐怖融资，须在24小时内报告。这意味着模型不仅要“报得准”，还要“报得快”。模型输出的预警案例必须在时限内完成人工甄别和审核，否则即使模型发现了可疑交易，也会因超时报告而被认定为违规。

2.2.2 操作流程：从模型预警到STR提交的完整链路

交易数据接入 → 规则引擎/模型评分 → 预警生成
    → 人工甄别（初判） → 案例调查（补充信息）
    → 合规审核（复核） → STR报告提交（5个工作日/24小时）
    → 报告归档与反馈（用于模型迭代）

这一链路中，模型设计者需要关注两个关键接口：一是预警到人工甄别的队列分配，确保高风险案例优先处理；二是人工甄别结论的反馈闭环，将“确认可疑”和“排除可疑”的标签回传至模型，用于后续调优。

2.2.3 案例拆解：某支付机构因STR漏报被约谈

背景与约束：某第三方支付机构因未按规定报送可疑交易报告被央行约谈。该机构日交易量超千万笔，但月均STR报告量不足10份，明显低于同规模机构水平。

初始现象：监管抽查发现，该机构对“同一收款方短期内多次收款”“账户频繁发生小额测试交易后突然大额转账”等典型可疑模式未设置监测规则。

关键数据：该机构模型仅覆盖了3号令列举的18类指标中的6类，覆盖率严重不足；且模型阈值设定过高，导致大量可疑交易被过滤。

整改措施：该机构重新梳理3号令全部指标，结合自身业务场景（如电商刷单、跑分平台）新增12条自定义规则；同时将模型阈值下调30%，并引入机器学习模型对未命中规则的可疑模式进行补充识别。

结果对比：整改后，月均STR报告量从9份提升至87份，其中经查实移送公安的线索从0条增至6条。

复盘经验：3号令的18类指标是“最低要求”而非“全部要求”。模型设计者必须结合自身业务场景，将监管指标转化为可执行的规则或模型特征，并定期对照监管通报的典型风险案例进行查漏补缺。

2.3 可疑交易报告（STR）义务：模型输出的合规终点

2.3.1 核心原理：STR的要素完整性与证据链要求

STR不仅是“报一个数字”，而是需要提交一份包含客户身份信息、交易对手信息、交易流水明细、可疑行为描述、分析判断过程的完整报告。模型输出的预警案例，必须能够支撑上述要素的自动填充。如果模型只输出“客户ID+交易金额+命中规则编号”，人工甄别人员将需要花费大量时间手工补充信息，导致报告效率低下。

因此，模型设计时需要考虑“报告要素前置”：在预警生成阶段，就自动关联客户KYC档案、历史交易摘要、对手方聚合信息等，形成初步的“案例包”，供甄别人员直接使用。

2.3.2 判断方法：STR质量评估指标体系

2.4 数据保护与隐私合规：模型特征使用的边界

2.4.1 核心原理：最小够用与目的限制原则

可疑交易监测必然涉及客户个人信息的收集与处理，但《个人信息保护法》（PIPL）和《数据安全法》对数据使用提出了严格限制。模型设计者必须遵循“最小够用”原则：仅收集与反洗钱监测直接相关的数据，不得过度采集与风险判断无关的敏感信息（如宗教信仰、健康数据等）。同时，数据使用目的必须限定于反洗钱合规，不得挪作他用（如精准营销）。

对于模型特征工程而言，这意味着：

• 特征来源合规性：使用的交易数据、客户数据必须有合法来源和授权基础。
• 敏感信息脱敏：涉及身份证号、手机号等敏感字段，在模型训练和推理中需进行加密或脱敏处理。
• 数据留存期限：根据监管要求，客户身份资料和交易记录至少保存5年，模型训练样本的留存需符合该期限。

2.4.2 操作流程：数据合规审查清单

1. 数据字典审查：逐项核对模型输入特征，确认每项数据是否有业务必要性。
2. 数据流向图绘制：明确数据从采集、存储、处理到销毁的全生命周期。
3. 权限管控：模型开发、测试、部署环境的数据访问权限分离，并留存审计日志。
4. 第三方数据合规：如使用外部征信数据或黑名单数据，需确认数据供应商的合法性。
5. 模型解释性文档：记录每个特征的数据来源、处理逻辑和合规依据，以备监管检查。

2.4.3 案例拆解：某城商行因数据滥用被处罚

背景与约束：某城商行在反洗钱模型优化中，引入了客户电商平台消费记录和社交APP使用时长作为特征变量，用于识别“异常生活状态”客户。

初始现象：该行模型团队从第三方数据服务商处购买了包含客户消费偏好、社交活跃度等维度的数据包，直接接入模型训练。

问题暴露：在监管现场检查中，该行被指出上述数据采集未获得客户明示同意，且与反洗钱监测的相关性不足，违反了《个人信息保护法》关于“目的限制”和“最小必要”的规定。

整改措施：该行立即停止使用非授权数据，删除已导入的第三方数据包，并对模型重新训练。同时，建立数据合规审查委员会，所有新增特征必须经过合规部门审批。

结果对比：模型在去除第三方数据后，AUC值从0.82下降至0.79，但合规风险显著降低。该行后续通过增加交易行为序列特征（如资金快进快出、拆分转账等），将AUC回升至0.81。

复盘经验：模型性能的边际提升不应以合规风险为代价。特征工程的第一原则是“合规可用”，第二原则才是“区分能力”。建议模型团队与合规部门建立常态化沟通机制，在特征设计阶段即引入合规审查。

2.5 常见误区与总结复盘