1. 反洗钱概述
1.1 洗钱的定义
洗钱（Money Laundering）是指将非法所得及其收益，通过一系列金融交易或商业活动，使其在形式上“合法化”的过程。其本质是掩盖犯罪收益的真实来源、性质、所有权或控制权，使之融入正常的经济金融体系。
核心特征： 洗钱并非单一行为，而是一个涉及多环节、多主体、多工具的复杂链条。任何涉及非法资金流转、隐匿、转换的行为都可能构成洗钱。
1.2 洗钱三阶段
国际通行的洗钱过程通常划分为三个相互关联的阶段，每个阶段都有其独特的交易特征和风险信号。
| 阶段 | 英文名称 | 核心目标 | 典型行为 | AML 监测难点 |
|---|---|---|---|---|
| 处置 | Placement | 将现金形式的非法所得首次引入金融系统 | 大额现金存款、购买金融产品、跨境现金走私、赌场筹码兑换 | 现金交易难以追踪，需依赖大额交易报告（CTR） |
| 离析 | Layering | 通过复杂交易切断资金与原始犯罪的关联 | 多账户转账、跨国汇款、购买/出售证券、虚假贸易发票 | 交易频率高、路径复杂，传统规则引擎难以识别 |
| 融合 | Integration | 使清洗后的资金以合法资产形式回归洗钱者 | 购买不动产、奢侈品、投资企业、偿还贷款 | 资金已“合法化”，与正常交易高度相似 |
实务提示： 在反洗钱推理中，离析阶段是机器学习模型最关注的环节。该阶段交易模式复杂、数据量大、异常信号密集，LightGBM 等梯度提升模型在此类场景中表现尤为突出。
1.3 反洗钱监管要求
全球反洗钱监管体系以 FATF（金融行动特别工作组）40 项建议为基石，各国据此制定本国法律法规。金融机构作为第一道防线，承担着核心合规义务。
- 客户尽职调查（CDD）： 识别并核实客户身份，了解交易目的和资金来源。
- 大额与可疑交易报告： 达到阈值的交易须向金融情报机构（FIU）报告；可疑交易无论金额大小均需报告。
- 记录保存： 交易记录和客户身份资料至少保存 5 年（部分国家要求更长）。
- 制裁筛查： 实时比对客户与交易对手是否在制裁名单、政治公众人物（PEP）名单中。
- 持续监控与风险评估： 对存量客户进行定期风险重评，对异常交易行为进行动态监测。
合规挑战： 传统规则引擎（如基于阈值的告警）产生大量误报（False Positive），人工甄别成本极高。据行业统计，超过 95% 的 AML 告警最终被判定为误报。这是引入机器学习方法的核心驱动力。
1.4 反洗钱合规挑战
当前反洗钱合规面临的主要挑战可归纳为以下五个维度：
| 挑战维度 | 具体表现 | 对 AML 系统的影响 |
|---|---|---|
| 数据质量 | 客户信息不完整、交易对手缺失、字段格式不统一 | 模型特征工程困难，告警准确性下降 |
| 交易量爆炸 | 日均交易量可达百万级甚至亿级 | 传统规则引擎处理延迟，无法实时响应 |
| 洗钱手法演变 | 利用加密货币、虚拟资产、贸易洗钱等新型渠道 | 静态规则无法覆盖新型风险模式 |
| 误报率过高 | 规则引擎误报率通常 > 95% | 人工审核资源浪费，真实风险被淹没 |
| 监管处罚加重 | 全球 AML 罚款金额逐年攀升，单笔可达数十亿美元 | 合规成本与声誉风险持续上升 |
课程定位： 本课程将聚焦于如何利用 LightGBM 这一高效梯度提升框架，解决反洗钱推理中的核心痛点——在离析阶段识别复杂交易模式、降低误报率、提升可疑交易报告（STR）的质量与效率。后续章节将逐步展开特征工程、模型训练、评估与部署的完整技术栈。