1. 课程导论：什么是可疑交易检测、实时检测的重要性、本课程的学习目标与前置知识

1.1 什么是可疑交易检测

可疑交易检测（Suspicious Transaction Detection）是金融风控体系中的核心环节，指通过规则引擎、统计模型或机器学习算法，对海量金融交易流进行实时或准实时的分析，识别出偏离正常交易模式、可能涉及洗钱、欺诈、恐怖融资或市场操纵等违法行为的交易行为。

根据金融行动特别工作组（FATF）及各国监管机构的要求，金融机构必须建立有效的可疑交易监测系统，并履行可疑交易报告（STR/SAR）义务。检测的粒度通常包括：

• 交易级检测：单笔交易的金额、频率、对手方、地理位置等特征异常。
• 账户级检测：账户在一段时间内的交易行为突变，如快进快出、化整为零、休眠账户突然活跃。
• 关联网络检测：多个账户之间的资金闭环、团伙式分散交易、多层嵌套转账。

1.2 实时检测的重要性

传统可疑交易检测多采用T+1或T+N的批量处理模式，即交易发生后次日或数日后才进行扫描分析。这种模式在以下场景中存在严重缺陷：

实时检测的核心价值体现在三个层面：

• 资金安全：在交易完成前识别风险，阻断非法资金转移，保护客户资产。
• 监管合规：满足央行、银保监会、FATF等机构对实时监测与报告的要求，避免巨额罚款。
• 运营效率：通过自动化实时决策，减少人工审核工作量，将有限资源聚焦于高可疑案件。

1.3 实时检测推理链路全景

本课程将围绕一条完整的实时检测推理链路展开，从数据流入到决策输出，涵盖以下核心环节：

1.4 本课程的学习目标

完成本课程后，学员将具备以下能力：

1. 理解可疑交易检测的业务逻辑与监管要求，掌握洗钱、欺诈、恐怖融资等典型场景的检测特征。
2. 掌握实时推理链路的系统架构设计，包括数据管道、特征存储、规则引擎、模型服务、决策引擎等核心组件。
3. 能够独立搭建一套端到端的实时检测原型系统，使用 Flink / Kafka / Redis / ONNX Runtime 等主流技术栈。
4. 具备模型工程化部署与优化能力，包括模型序列化、在线推理、特征一致性校验、延迟优化等。
5. 理解生产环境中的关键挑战：数据倾斜、特征穿越、模型漂移、A/B测试、灰度发布等，并掌握应对策略。

1.5 前置知识要求

为获得最佳学习体验，建议学员具备以下基础：

1.6 课程内容概览

全课程共30章，分为五个模块：

• 模块一（第1~5章）：基础与架构 — 可疑交易检测业务逻辑、实时推理链路架构设计、技术选型对比。
• 模块二（第6~12章）：数据管道与特征工程 — 实时数据接入、特征提取、特征存储、特征一致性保障。
• 模块三（第13~20章）：规则引擎与模型推理 — 规则引擎实现、模型训练与序列化、在线推理服务、模型热更新。
• 模块四（第21~26章）：决策与处置 — 决策融合、阈值优化、处置动作、人工审核工单系统。
• 模块五（第27~30章）：生产化与运维 — 监控告警、A/B测试、模型漂移检测、灰度发布、性能压测。