2. 监测策略核心要素：规则引擎、模型评分、名单筛查、交易行为分析、客户画像

反洗钱监测策略并非单一技术或规则，而是由五大核心要素构成的协同体系。每个要素解决不同维度的监测问题，组合后形成从“点”到“面”再到“立体”的监测网络。理解这五大要素的定位、原理与局限，是后续进行效果评估与优化的基础。

2.1 规则引擎：确定性监测的基石

规则引擎是反洗钱系统中最传统、最成熟、响应最快的监测手段。它基于预设的“如果-那么”逻辑，对交易进行实时或准实时的判定。

• 工作原理： 将监管要求、行业经验、内部政策转化为可执行的布尔逻辑表达式（如：交易金额 > 阈值 AND 交易频率 > 阈值）。
• 典型场景： 大额现金存取、频繁跨境转账、短期内资金快进快出、与高风险国家/地区交易。
• 优势： 解释性强（可追溯触发原因）、部署快、计算资源消耗低。
• 劣势： 规则固定，容易被规避（如拆分交易）；规则间可能存在冲突或冗余；维护成本随规则数量增加而指数级上升。

2.2 模型评分：概率化风险排序

模型评分（通常基于机器学习或统计模型）弥补了规则引擎“非黑即白”的缺陷，为每个交易或客户赋予一个连续的风险分值，实现风险排序与优先级管理。

• 工作原理： 利用历史已确认的可疑交易与正常交易数据，训练分类模型（如逻辑回归、随机森林、XGBoost），对新的交易进行风险概率预测。
• 典型输出： 0-100的风险评分，分值越高，可疑程度越高。
• 优势： 能发现规则无法覆盖的复杂、隐蔽洗钱模式；自动学习新特征；减少人工排查范围（仅需关注高分值样本）。
• 劣势： 模型可解释性差（黑箱问题）；依赖高质量标注数据；存在过拟合或概念漂移风险。

2.3 名单筛查：刚性合规底线

名单筛查是反洗钱合规的“红线”，直接关联监管处罚与声誉风险。它通过将交易对手方、客户身份信息与各类制裁、政治公众人物（PEP）、负面媒体等名单进行比对。

2.4 交易行为分析：动态异常检测

交易行为分析关注的是“偏离基线”的行为。它通过建立每个客户或账户的历史交易画像，实时监测当前交易是否显著偏离正常模式。

• 核心方法：
  • 统计基线： 计算交易金额、频率、对手方数量的均值、标准差、百分位数。
  • 时间序列分析： 检测交易量在时间维度上的突变点。
  • 图分析： 构建交易网络，识别环形交易、资金汇聚/分散等异常拓扑结构。
• 典型异常模式：
  • 交易金额突然从千元级跃升至百万元级。
  • 交易对手方从固定几个突然变为几十个陌生账户。
  • 资金在多个账户间快速流转后集中转出。

2.5 客户画像：风险全景视图

客户画像不是单一数据点，而是整合客户身份、交易行为、关联关系、外部情报的多维风险视图。它为规则引擎、模型评分、交易行为分析提供上下文信息。

• 画像维度：
  • 基础信息： 客户类型（个人/企业）、行业、注册地、受益所有人。
  • 交易特征： 平均交易金额、交易对手方多样性、资金周转率。
  • 风险标签： 是否PEP、是否涉制裁、是否曾有负面记录。
  • 关联网络： 共同董事、共享地址、资金往来圈。
• 应用价值：
  • 差异化监测： 高风险客户触发更严格的规则阈值或更高频的模型评分。
  • 异常解释： 当交易行为偏离时，客户画像帮助分析师判断是“正常业务变化”还是“洗钱信号”。
  • 动态调整： 客户画像应定期更新（如每季度），反映客户风险状况的变化。