3. 反洗钱模型类型
反洗钱（AML）系统的核心在于模型的选择与组合。不同的模型类型适用于不同的业务场景与风险特征。本章系统梳理四大类主流模型：规则引擎模型、机器学习模型（监督/无监督）、图神经网络模型以及混合模型，并对比其适用场景、优势与局限。
3.1 规则引擎模型
规则引擎是反洗钱领域最传统、最成熟的模型类型。它基于专家经验与监管要求，通过预定义的逻辑条件（阈值、组合、时间窗口）对交易行为进行筛选与告警。
| 特征 | 说明 |
|---|---|
| 核心逻辑 | IF [条件] THEN [告警/处置] |
| 典型规则 | 单笔交易 ≥ 5万元人民币；30天内累计跨境交易 ≥ 20万美元；交易对手为高风险国家 |
| 优势 | 可解释性强、部署快、监管合规明确、计算资源消耗低 |
| 局限 | 规则静态、难以捕捉新型洗钱模式、误报率高、维护成本随规则数量指数增长 |
实务提示： 规则引擎通常作为第一道防线，用于过滤大量正常交易，将可疑交易缩减至人工审核可处理的量级。建议规则数量控制在 200-500 条以内，并定期进行规则有效性回溯分析。
3.2 机器学习模型（监督/无监督）
机器学习模型通过数据驱动的方式自动学习交易与客户行为中的异常模式，弥补规则引擎的静态缺陷。
3.2.1 监督学习模型
- 原理： 使用已标注的历史数据（正常/可疑/确认洗钱）训练分类器。
- 常用算法： 逻辑回归、随机森林、XGBoost、LightGBM、深度神经网络。
- 输出： 可疑概率分数（0-1），可设定阈值进行告警。
- 优势： 准确率高、可输出概率排序、可解释性相对较好（如SHAP值）。
- 局限： 依赖高质量标注数据、对新型洗钱模式泛化能力有限、正负样本极度不平衡。
3.2.2 无监督学习模型
- 原理： 不依赖标签，通过数据内在结构发现异常点或异常群组。
- 常用算法： 孤立森林、LOF（局部异常因子）、DBSCAN、自编码器（Autoencoder）。
- 输出： 异常分数或异常标签。
- 优势： 无需标注数据、能发现未知洗钱模式、适合探索性分析。
- 局限： 结果难以解释、误报率较高、需要人工复核确认。
| 对比维度 | 监督学习 | 无监督学习 |
|---|---|---|
| 数据需求 | 需要大量标注样本 | 无需标注 |
| 发现能力 | 已知模式优化 | 未知模式发现 |
| 可解释性 | 中等（可借助SHAP） | 较低 |
| 误报率 | 较低 | 较高 |
| 典型场景 | 交易监控、客户风险评级 | 异常检测、团伙挖掘 |
3.3 图神经网络模型
洗钱行为往往涉及复杂的资金流转网络与多层账户结构。图神经网络（GNN）能够直接对交易图结构进行建模，捕捉节点（账户）与边（交易）之间的高阶关联特征。
- 核心能力： 聚合邻居节点信息、学习图拓扑结构中的异常模式。
- 常用变体： GCN（图卷积网络）、GAT（图注意力网络）、GraphSAGE。
- 典型应用： 洗钱团伙识别、循环交易检测、资金链路追踪。
- 优势： 能发现规则和传统ML无法捕捉的图结构异常、对团伙洗钱效果显著。
- 局限： 计算资源消耗大、模型可解释性差、需要构建大规模交易图、冷启动问题。
注意： GNN 模型在反洗钱场景中仍处于快速演进阶段。建议在部署前进行充分的图数据质量评估，并搭配规则引擎或监督模型进行结果验证，避免“黑箱误判”。
3.4 混合模型
单一模型类型难以覆盖反洗钱全场景。混合模型通过将规则引擎、机器学习、图神经网络等模块进行串联或并联组合，实现优势互补。
| 混合策略 | 组合方式 | 典型效果 |
|---|---|---|
| 串联过滤 | 规则引擎 → 监督模型 → GNN | 逐步缩小可疑范围，降低计算开销 |
| 并联投票 | 规则 + 监督 + 无监督 各自输出，加权融合 | 提升鲁棒性，减少单一模型偏差 |
| 特征增强 | GNN 提取图特征 → 输入监督模型 | 融合结构信息与行为特征 |
| 级联训练 | 无监督预训练 → 监督微调 | 利用无标签数据提升监督模型泛化能力 |
最佳实践： 混合模型是当前反洗钱系统的主流架构。建议以规则引擎作为基础过滤层，监督模型作为核心评分层，GNN 或无监督模型作为补充发现层，三者协同工作。
3.5 模型类型选择矩阵
在实际项目中，模型类型的选择需综合考虑数据条件、业务目标、监管要求与资源约束。下表提供快速决策参考：
| 业务场景 | 推荐模型类型 | 关键考量 |
|---|---|---|
| 大额交易监控 | 规则引擎 | 监管阈值明确，无需复杂模型 |
| 客户风险评级 | 监督学习 + 规则 | 有历史评级标签，需可解释性 |
| 未知洗钱模式发现 | 无监督学习 | 无标签，需探索性分析 |
| 洗钱团伙挖掘 | 图神经网络 | 交易关系复杂，需图结构建模 |
| 全场景覆盖 | 混合模型 | 资源充足，追求最优效果 |
总结： 反洗钱模型选型没有“银弹”。规则引擎是基石，机器学习是核心引擎，图神经网络是前沿利器，混合模型是工程落地的最优解。建议从规则引擎起步，逐步引入机器学习与图模型，最终构建适合自身业务特点的混合架构。