1. 课程导论：AML监测模型迭代的重要性、对照实验在模型优化中的核心地位、本课程学习目标与适用人群
1.1 为什么AML监测模型必须持续迭代？
反洗钱（AML）监测模型并非“一次部署、终身有效”的静态系统。随着洗钱手法不断演变、业务渠道快速扩展、监管要求日趋严格，监测模型面临持续的退化压力。若不进行系统性迭代，模型将出现以下典型问题：
- 预警量膨胀：规则或模型特征老化，导致大量低质警报涌入，调查团队不堪重负。
- 漏报风险上升：新型洗钱模式（如虚拟货币混币、贸易洗钱嵌套）未被现有特征覆盖。
- 区分度下降：模型对正常交易与可疑交易的打分分布趋同，KS/PSI等指标恶化。
- 监管合规压力：监管机构明确要求定期评估模型有效性，并保留迭代记录。
核心观点： AML监测模型的迭代不是“可选项”，而是维持模型有效性、降低合规风险、提升调查效率的强制性工程活动。
1.2 对照实验在模型优化中的核心地位
在模型迭代过程中，如何客观衡量一次改动（如新增特征、调整阈值、更换算法）是否真正带来了正向收益？对照实验（A/B Test / Champion-Challenger） 是回答这一问题的黄金标准。
| 对比维度 | 无对照实验的迭代 | 有对照实验的迭代 |
|---|---|---|
| 评估依据 | 凭经验判断、单次回测结果 | 同期线上分流、统计显著性检验 |
| 风险控制 | 直接全量上线，可能造成预警失控 | 小流量验证，风险可控，可快速回滚 |
| 结论可信度 | 易受时间漂移、样本偏差干扰 | 排除外部干扰，归因清晰 |
| 监管认可度 | 难以提供量化证据 | 可出具完整的实验报告与效果对比 |
本课程将对照实验贯穿于模型迭代的每一个环节，从特征工程、阈值调优到算法替换，均要求学员以“实验思维”驱动优化决策。
实践提示： 在金融监管机构（如FATF、央行反洗钱局）的现场检查中，能够提供Champion-Challenger实验记录的机构，在模型有效性论证上往往更具说服力。
1.3 AML监测模型迭代的核心流程
下图展示了AML监测模型从“监控报警”到“迭代上线”的闭环迭代流程，其中对照实验是连接“离线评估”与“在线验证”的关键桥梁。
1.4 本课程学习目标
完成本课程后，学员将具备以下核心能力：
- 掌握迭代方法论：系统理解AML监测模型从监控、诊断、优化到验证的完整迭代生命周期。
- 独立设计对照实验：能够设计Champion-Challenger实验方案，包括分流策略、统计检验指标（如t检验、卡方检验）、实验时长计算。
- 落地工程实践：使用Python/PySpark实现对照实验框架，并集成到现有AML监测系统中。
- 量化效果评估：通过召回率、精确率、F1-score、误报率、KS值等指标，客观衡量模型迭代收益。
- 应对监管检查：输出符合监管要求的模型迭代报告与实验记录。
1.5 适用人群
| 角色 | 学习收益 | 前置要求 |
|---|---|---|
| AML数据分析师 | 掌握模型诊断与迭代分析技能 | 基础SQL/Python、了解AML业务 |
| 反洗钱模型工程师 | 学习对照实验工程化落地方法 | 熟悉机器学习建模流程 |
| 合规科技（RegTech）产品经理 | 理解模型迭代的产品化与实验设计 | 了解AML监管要求 |
| 金融机构反洗钱合规官 | 提升模型有效性论证与监管沟通能力 | 熟悉FATF/央行反洗钱指引 |
重要提醒： 本课程不涉及基础机器学习算法原理的从头讲解。学员应具备基本的分类模型（如逻辑回归、随机森林、XGBoost）使用经验，并了解混淆矩阵、ROC-AUC等评估指标。课程将聚焦于迭代流程与实验框架的构建。
1.6 课程内容概览
本课程共分为30章，覆盖从理论到实践的完整知识体系。以下为前10章的核心主题预览：
- 第1-3章：迭代基础与对照实验设计原理
- 第4-7章：特征迭代实验（新增特征、特征分箱、特征交叉）
- 第8-10章：阈值与评分卡迭代实验（动态阈值、多阈值策略）
- 第11-15章：算法迭代实验（模型替换、集成策略、深度学习引入）
- 第16-20章：实验平台搭建与自动化（Python框架、调度、监控）
- 第21-25章：高级实验设计（多臂老虎机、贝叶斯优化、在线学习）
- 第26-30章：监管合规与案例实战（监管报告、审计追踪、真实场景复盘）
每一章均配备可运行的代码示例、对照实验模板以及效果评估指标计算脚本，确保学员能够“学完即用”。