1. 反洗钱概述

1.1 洗钱的定义

洗钱(Money Laundering)是指将非法所得(如贩毒、贪污、走私、诈骗等犯罪活动产生的收益)通过各种手段掩饰、隐瞒其来源和性质,使其在形式上合法化的行为过程。其核心目标是切断非法资金与原始犯罪活动之间的关联,使犯罪收益能够“安全”地融入正常经济体系。

关键概念:洗钱并非单一行为,而是一个系统性的“清洗”链条。无论技术如何演变,其本质始终是“非法资金 → 合法资产”的转换过程。

1.2 洗钱三阶段

国际反洗钱组织(FATF)及各国监管机构普遍将洗钱过程划分为三个典型阶段。理解这三个阶段是设计反洗钱特征与规则的基础。

阶段 英文名称 核心行为 典型特征(示例)
放置 Placement 将大量现金或非法资金首次引入金融系统 大额现金存款、频繁换汇、购买金融产品
离析 Layering 通过复杂、多层的金融交易掩盖资金踪迹 跨行转账、跨境汇款、投资股票/保险、利用空壳公司
归并 Integration 使清洗后的资金以合法形式回归洗钱者手中 购买不动产、奢侈品、企业分红、虚假贷款偿还
特征工程视角:放置阶段通常对应“首次交易”或“现金密集型”特征;离析阶段对应“交易网络复杂度”和“资金流转速度”特征;归并阶段则对应“资产购置”与“账户余额异常变化”特征。

下图展示了洗钱三阶段的完整流转路径以及各阶段对应的典型金融行为:

洗钱三阶段流程图 洗钱三阶段:放置 → 离析 → 归并 阶段一:放置 非法现金/资金 首次进入金融系统 阶段二:离析 复杂多层交易 掩盖资金来源 阶段三:归并 合法化资金回归 购置资产/消费 💡 特征服务切入点: 放置阶段 → 现金交易特征;离析阶段 → 交易网络与速度特征;归并阶段 → 资产与账户余额特征 大额存款 · 换汇 · 购买理财 跨行转账 · 跨境汇款 · 空壳公司 购房 · 购车 · 奢侈品消费

1.3 反洗钱监管要求与合规背景

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。对于金融机构及特定非金融行业,反洗钱合规是法定义务,核心要求可归纳为以下三大支柱:

  1. 客户尽职调查(CDD):识别并核实客户身份,了解其交易目的和资金来源。对于高风险客户需执行强化尽职调查(EDD)。
  2. 大额与可疑交易报告:对超过规定金额的交易(如中国境内 5 万元人民币现金交易)进行上报;对任何可疑交易,无论金额大小,均需提交可疑交易报告(STR)。
  3. 记录保存与内部管控:保存客户身份资料及交易记录至少 5 年;建立反洗钱内控制度、配备专职人员、开展员工培训。
合规红线:未履行反洗钱义务可能导致巨额罚款、业务限制甚至吊销牌照。2020-2023 年间,全球多家大型银行因反洗钱缺陷被处以超过 10 亿美元的罚款。

下表对比了不同监管体系下的核心合规要求:

监管体系 核心法规/标准 主要合规要求 处罚力度
FATF 40 项建议 风险为本方法、国际合作、受益所有人识别 列入“灰名单/黑名单”,影响国际金融往来
中国 《反洗钱法》《金融机构反洗钱规定》 客户身份识别、大额/可疑交易报告、资料保存 最高罚款 500 万元人民币,暂停业务
欧盟 AMLD 系列指令 穿透式尽职调查、最终受益人登记、跨境信息共享 最高罚款年营业额 10%
美国 《银行保密法》/《爱国者法案》 可疑活动报告(SAR)、货币交易报告(CTR)、OFAC 制裁筛查 民事罚款最高 100 万美元,刑事罚款更高

下图展示了反洗钱合规体系的整体架构,从监管层到机构执行层的核心组件:

反洗钱合规体系架构图 反洗钱合规体系架构 监管层:FATF / 各国央行 / 监管机构 客户尽职调查 CDD / EDD / 受益所有人 交易报告 大额交易 / 可疑交易(STR) 记录与内控 资料保存 / 内控制度 / 培训 机构执行层:银行 / 证券 / 保险 / 支付机构 / 特定非金融行业 特征工程 · 规则引擎 · 模型监控 · 人工复核 · 监管报送 📌 特征服务定位: 在合规体系下,特征服务为 CDD、交易监测、风险评级提供实时、准确、可解释的特征计算能力

1.4 反洗钱与特征服务的关联

在反洗钱实践中,特征服务扮演着“数据桥梁”的角色——它将原始交易数据、客户信息、行为日志转化为可供规则引擎和机器学习模型直接使用的结构化特征。这些特征的质量直接决定了反洗钱监测的准确率与效率。

  • 时效性:特征服务支持实时或准实时计算,满足可疑交易监测的时效要求。
  • 一致性:同一特征在训练、离线评估、在线推理中保持计算逻辑一致,避免“训练-推理偏差”。
  • 可解释性:特征服务输出的特征可直接映射到洗钱三阶段的行为模式,便于合规人员理解模型决策。
对照实验价值:在反洗钱场景中引入特征服务后,可通过对照实验(A/B Test)量化特征服务对模型 AUC、召回率、误报率等指标的影响,从而验证特征服务架构的收益。