4. 反洗钱场景下的A/B测试特殊性

反洗钱（AML）监测系统与常规互联网产品（如电商推荐、广告点击）在A/B测试上存在本质差异。低阳性率、延迟反馈和业务风险容忍度三大特性，决定了AML场景下的实验设计、统计推断和决策逻辑必须进行针对性改造。本章逐一拆解这三个核心挑战及其应对策略。

4.1 低阳性率问题

AML监测系统的核心指标——可疑交易报告（STR）生成率、命中率、误报率——通常处于极低水平。例如，某银行交易监测系统日均处理1000万笔交易，其中触发预警的交易约5000笔（0.05%），最终确认为可疑并上报的仅50笔（0.0005%）。

低阳性率对A/B测试的冲击：

• 统计功效不足： 在极低基线率下，要达到80%统计功效，所需样本量呈指数级增长。例如，将STR率从0.0005%提升至0.0006%（相对提升20%），单组所需样本量可能超过10亿笔交易。
• 置信区间过宽： 低事件数导致估计方差极大，即使实验运行数月，两组差异的置信区间仍可能跨越零，无法做出有效判断。
• 多重比较问题： 当同时评估数十个规则或模型变体时，低阳性率下虚假显著的概率急剧上升。

4.2 延迟反馈

AML监测的“反馈”不是即时的。一笔交易是否可疑，需要经过调查员人工分析、情报交叉比对、甚至等待数月后的司法确认。这种延迟反馈对A/B测试的伤害是双重的：

• 实验周期不可控： 无法在预设时间窗口内获得完整标签，导致实验被迫延长或提前截断。
• 幸存者偏差： 早期被判定为“正常”的交易，可能在后期因新情报被重新标记为可疑。若实验在反馈未完全到达时结束，结论可能完全反转。

延迟反馈的应对框架：

1. 时间截断与生存分析： 将“是否被标记为可疑”视为时间依赖事件，使用Kaplan-Meier估计或Cox比例风险模型，比较两组在相同观测窗口内的“可疑事件发生曲线”。
2. 代理标签与延迟校正： 在完整反馈到达前，使用短期代理标签（如“调查员初步关注度评分”）进行中期评估，同时建立延迟校正模型，估计最终标签的概率分布。
3. 滚动窗口验证： 采用固定时间窗口（如90天）作为“最终确认期”，实验开始后不立即评估，而是等待窗口期满再统一分析。窗口长度需根据历史数据中95%反馈到达时间确定。

4.3 业务风险容忍度

AML监测系统的A/B测试不是在“提升点击率”和“保持用户体验”之间权衡，而是在“发现更多洗钱”和“避免合规处罚”之间做决策。业务风险容忍度决定了实验的边界条件。

风险容忍度的三个维度：

• 漏报风险（False Negative）： 新模型漏掉一笔真正的洗钱交易，可能导致监管罚款、声誉损失甚至刑事追责。这是AML场景中不可接受的风险。
• 误报风险（False Positive）： 新模型产生过多无效预警，浪费调查资源，但通常不涉及合规红线。容忍度相对较高。
• 实验暴露风险： 实验期间，对照组使用旧模型、实验组使用新模型。若新模型效果劣于旧模型，实验组暴露于更高的漏报风险中。

风险控制的操作化：

1. 非劣效性边界设定： 与合规部门共同确定漏报率的可接受劣化上限（如相对增加不超过5%）。实验假设为“新模型漏报率不劣于旧模型”。
2. 序贯监测与早停规则： 实时监控漏报率指标，一旦超出预设边界（如连续3天漏报率超过基线+5%），自动暂停实验并回滚。
3. 分层风险分配： 将交易按风险等级分层（高、中、低风险）。高风险交易仅允许在“确认安全”的模型版本上运行，低风险交易可用于探索性实验。
4. 影子模式并行验证： 新模型在影子模式下运行，输出结果仅记录不执行，与生产模型并行运行足够长时间（如3个月），积累真实对比数据后再切换为A/B测试。