1. 课程导论：可疑交易监测的行业背景、A/B测试在风控中的价值、课程目标与学习路径
1.1 行业背景：反洗钱与可疑交易监测的挑战
全球金融体系每年因洗钱、恐怖融资、欺诈等非法活动造成的损失高达数万亿美元。各国监管机构（如FATF、央行、银保监会）对金融机构的合规要求日益严格，可疑交易报告（STR）的准确性与时效性成为衡量机构风控能力的关键指标。
当前行业面临的核心痛点包括：
- 海量交易与低捕获率：大型银行每日处理数亿笔交易，但真正可疑的交易占比极低（通常低于0.01%），模型极易产生大量误报。
- 规则与模型的迭代风险：直接上线新规则或模型可能导致漏报率飙升或运营成本失控，缺乏安全验证手段。
- 监管处罚与声誉风险：一次重大漏报可能带来数千万美元的罚款和品牌信任危机。
关键数据：据某国际咨询机构统计，金融机构平均每年投入反洗钱合规成本占营收的1%-3%，其中约70%的成本用于处理误报（False Positive）的人工审核。
1.2 A/B测试在风控中的价值
A/B测试（又称分桶测试）是互联网行业验证产品策略的黄金标准。将其引入可疑交易监测领域，能够解决传统风控迭代中的“黑盒”问题，实现可量化、可归因、低风险的模型升级。
与传统风控上线流程相比，A/B测试具有以下核心优势：
| 对比维度 | 传统风控上线流程 | A/B测试驱动流程 |
|---|---|---|
| 验证方式 | 全量上线或离线回测 | 在线小流量实时对比 |
| 风险控制 | 一旦上线，风险立即暴露 | 风险可控，可随时回滚 |
| 评估指标 | 单一指标（如捕获率） | 多维度指标（捕获率、误报率、运营成本等） |
| 归因能力 | 难以区分效果提升来源 | 严格随机分组，因果推断清晰 |
| 迭代周期 | 数周至数月 | 数天至数周 |
应用场景举例：某银行计划将交易金额阈值从10,000元调整为8,000元。通过A/B测试，将5%的客户流量分为实验组（新阈值）和对照组（旧阈值），观察一周后发现实验组可疑交易捕获率提升12%，但误报率仅上升3%，运营团队可接受，最终决定全量上线。
1.3 课程目标与学习路径
本课程旨在帮助风控算法工程师、数据分析师、反洗钱合规人员系统掌握可疑交易监测A/B测试的全链路知识。完成本课程后，你将能够：
- 设计：独立设计符合监管与业务逻辑的A/B测试方案。
- 实施：在离线/在线环境中搭建分桶、分流与数据采集管道。
- 分析：运用统计方法（如假设检验、置信区间）评估模型效果。
- 落地：将测试结果转化为可上线的风控策略，并建立长期监控体系。
课程共分为六大模块，学习路径如下：
| 模块 | 章节范围 | 核心内容 | 推荐学习时长 |
|---|---|---|---|
| 基础篇 | 第1-4章 | 行业背景、A/B测试原理、统计基础、风控指标体系 | 2-3天 |
| 设计篇 | 第5-8章 | 实验设计、样本量计算、分流策略、随机化技术 | 3-4天 |
| 实现篇 | 第9-14章 | Python离线模拟、在线分流框架、实时数据管道 | 4-5天 |
| 分析篇 | 第15-20章 | 假设检验、多重比较、置信区间、贝叶斯方法 | 3-4天 |
| 实战篇 | 第21-26章 | 规则优化、模型迭代、运营成本评估、监管报告 | 4-5天 |
| 进阶篇 | 第27-30章 | MAB（多臂老虎机）、网络效应、长期影响评估 | 2-3天 |
学习建议：建议学员在开始前具备基础的Python编程能力（pandas、numpy）和基本的概率统计知识（均值、方差、正态分布）。每章均配有代码示例和课后练习，请务必动手实践。