2. 金融风控基础:洗钱与恐怖融资概述、监管合规要求(AML/KYC)、典型可疑交易特征

2.1 洗钱与恐怖融资:定义与生命周期

洗钱(Money Laundering)是将非法所得及其收益通过交易、转换、转移等方式,使其在形式上合法化的行为。恐怖融资(Terrorist Financing)则为恐怖活动提供或筹集资金,其资金来源可能合法也可能非法。两者在资金流动路径上高度重叠,是反洗钱(AML)与反恐怖融资(CTF)监管的核心打击对象。

2.1.1 洗钱三阶段模型

阶段 核心目标 典型手法
处置(Placement) 将现金等非法资产首次注入金融系统 化整为零存款、购买金融产品、赌场筹码兑换
离析(Layering) 通过复杂交易切断资金与非法来源的关联 跨行转账、跨境汇款、购买/出售高价值资产、多层壳公司
融合(Integration) 使清洗后的资金以合法形式回归洗钱者 虚假贸易发票、房地产投资、奢侈品消费、投资收益回流
关键认知: 实时检测系统在处置阶段最容易捕获异常现金流入;离析阶段依赖跨账户、跨地域的关联图谱分析;融合阶段则需要结合外部数据(如工商、税务)进行穿透。
洗钱三阶段与资金流向 ① 处置 现金 → 金融系统 化整为零 / 赌场 ② 离析 切断资金关联 多层转账 / 跨境 ③ 融合 合法化回流 虚假贸易 / 投资 实时检测系统介入点 • 处置阶段:大额现金交易、频繁整数存款、现金与电子渠道快速转换 • 离析阶段:资金快进快出、夜间交易、多账户归集/分散、跨境高频 • 融合阶段:交易对手为高风险地区、贸易背景与资金流不匹配

2.2 监管合规要求:AML / KYC 核心框架

全球反洗钱监管以 FATF(金融行动特别工作组)40 项建议为基准,各国/地区据此制定本地法规。金融机构必须建立以 KYC(了解你的客户) 为基础的 AML 合规体系。

2.2.1 AML 合规三大支柱

  • 客户尽职调查(CDD): 识别并核实客户身份,了解其业务性质和资金来源。对高风险客户执行强化尽职调查(EDD)。
  • 交易监控与报告: 实时/事后分析交易行为,发现可疑交易后向金融情报机构(FIU)提交可疑交易报告(STR)。
  • 记录保存与培训: 保存客户身份资料和交易记录至少 5 年(部分司法管辖区要求更长),定期开展员工 AML 培训。

2.2.2 KYC 核心要素

要素 内容 实时检测关联
身份识别 姓名、证件、地址、国籍、职业 黑名单匹配、PEP(政治公众人物)筛查
受益所有人 穿透识别最终控制人 关联账户图谱、股权结构分析
风险评级 基于客户背景、地域、业务、渠道评分 动态调整交易阈值、规则权重
持续监控 定期更新客户信息,重检风险等级 行为漂移检测、异常模式发现
工程提示: 实时推理链路中,KYC 数据通常作为静态特征(客户风险等级、注册时长、历史违规次数)与动态行为特征(交易频率、金额、对手方)拼接后输入模型。KYC 数据质量直接影响模型召回率。

2.3 典型可疑交易特征

根据 FATF 指引及各国监管实践,以下交易行为通常被列为可疑特征,也是实时检测系统规则引擎与模型训练的核心标签来源。

2.3.1 金额与频率异常

  • 化整为零: 单笔金额略低于大额报告阈值(如人民币 5 万元),但短期内累计金额巨大。
  • 整数交易: 频繁出现 10,000、50,000、100,000 等整数金额,缺乏商业合理性。
  • 快进快出: 资金入账后短时间内(如 5 分钟内)立即转出,账户余额极低。
  • 夜间/非工作时间交易: 在凌晨 0:00-5:00 等非营业时段发生高频转账。

2.3.2 账户行为异常

  • 休眠账户激活: 长期无交易的账户突然发生大额资金进出。
  • 多账户归集/分散: 多个账户向同一账户集中转账,或一个账户向多个无关联账户分散转账。
  • 频繁更换设备/IP: 同一账户在短时间内使用不同设备、不同地理 IP 登录并交易。
  • 账户信息频繁变更: 短期内多次修改手机号、地址、密码等关键信息。

2.3.3 交易对手与地域风险

  • 高风险司法管辖区: 交易对手位于 FATF 公布的高风险及受监控国家/地区。
  • 空壳公司/离岸账户: 交易对手为注册在避税天堂、无实际经营地址的公司。
  • 个人与公司混用: 个人账户频繁接收公司账户转账,或公司账户向个人账户大额支付。
典型可疑交易特征分类 可疑交易特征 金额与频率 化整为零 / 整数交易 快进快出 / 夜间交易 账户行为 休眠激活 / 多账户归集 频繁换设备 / 信息变更 对手与地域 高风险司法管辖区 空壳公司 / 个人公司混用 实时检测规则引擎设计建议 • 金额频率类:适合用滑动窗口聚合 + 阈值规则,延迟低、可解释性强 • 账户行为类:需要图数据库(如 Neo4j)或离线特征工程,适合模型打分

2.4 监管处罚与合规成本

全球 AML 违规罚款金额持续攀升。2020-2023 年,全球主要金融机构因 AML 缺陷累计被罚超过 500 亿美元。典型处罚原因包括:

  • KYC 程序缺失,未识别 PEP 或受益所有人
  • 交易监控系统未能及时检测并报告可疑交易
  • 未对高风险客户执行 EDD
  • 记录保存不足,无法配合监管调查
合规红线: 实时检测系统不能仅依赖规则引擎。监管机构明确要求金融机构使用机器学习模型补充规则盲区,且模型需具备可解释性(Explainability)与定期回测(Backtesting)能力。模型误报率过高会导致运营成本失控,漏报则直接面临监管处罚。

2.5 本章小结