2. AML监测模型基础回顾：规则模型与机器学习模型对比
在构建和迭代AML监测模型之前，必须清晰理解规则模型与机器学习（ML）模型的核心差异。两者并非互斥，而是互补——规则模型提供可解释的基线覆盖，ML模型则挖掘规则难以捕捉的复杂模式。
2.1 规则模型 vs. 机器学习模型：核心对比
| 对比维度 | 规则模型 | 机器学习模型 |
|---|---|---|
| 定义方式 | 人工定义阈值与逻辑组合（如：单笔交易 > ¥500,000 且 非柜面交易） | 从历史标注数据中自动学习特征权重与决策边界 |
| 可解释性 | 高——每条规则可追溯，适合监管审计 | 中低——复杂模型（如XGBoost、深度网络）需SHAP/LIME辅助解释 |
| 维护成本 | 高——需持续人工调整阈值，应对洗钱手法变化 | 中——需定期重训练，但特征工程可复用 |
| 误报率 | 高——静态规则易产生大量无效预警 | 低——可学习正常行为分布，有效降噪 |
| 未知模式捕获 | 差——只能命中已定义的规则组合 | 强——可发现规则未覆盖的异常关联 |
| 部署速度 | 快——规则变更即时生效 | 慢——需数据准备、训练、验证、上线流程 |
关键认知： 成熟的AML监测体系通常采用“规则+ML”双层架构——规则层负责高精度、高可解释的必报场景；ML层负责低误报、高覆盖的异常发现。两者结合可达到90%+的预警有效率。
2.2 常见AML模型类型
AML监测模型按技术路线可分为三大类：异常检测模型、网络分析模型、行为评分模型。以下逐一解析其原理与适用场景。
2.2.1 异常检测模型
核心思想：将“正常行为”定义为高密度区域，偏离该区域即为可疑。适用于账户级交易行为监控。
- 统计方法： 均值±3σ、Z-Score、箱线图（IQR）——适合单变量快速筛查。
- 孤立森林： 基于随机切割，异常点更容易被孤立——适合高维交易特征。
- 自编码器： 神经网络重构误差大者为异常——适合时序交易序列。
2.2.2 网络分析模型
核心思想：洗钱行为常涉及多账户、多层级资金流转，图结构能揭示隐藏关联。适用于团伙洗钱、循环交易、资金池识别。
- 社区发现： Louvain、标签传播——识别紧密交易子图。
- 中心度分析： 度中心度、介数中心度——定位关键中转账户。
- 图神经网络： GCN、GraphSAGE——端到端学习节点可疑概率。
2.2.3 行为评分模型
核心思想：为每个客户/账户计算一个动态风险分数，分数越高越可疑。通常作为规则和异常检测的融合输出层。
- 逻辑回归： 可解释性强，适合作为基线评分卡。
- 梯度提升树： XGBoost/LightGBM——业界主流，兼顾性能与可解释性。
- 时序评分： 结合LSTM或Transformer，捕捉行为模式漂移。
选型建议： 如果机构数据以交易流水为主且缺乏标注，优先从孤立森林+规则起步；若已有图数据库或关联数据，加入社区发现可显著提升团伙洗钱识别率；行为评分模型建议在标注数据积累到万级以上后再引入。
2.3 三种模型类型的关系与协同
下图展示了三种模型在AML监测流水线中的典型协作方式：
2.4 模型选型决策矩阵
下表帮助团队根据自身数据条件与业务目标快速定位起点：
| 业务场景 | 推荐模型类型 | 数据要求 | 预期效果 |
|---|---|---|---|
| 个人账户大额异常交易 | 异常检测（孤立森林） | 交易金额、频率、时间 | 快速识别偏离个人基线行为 |
| 团伙洗钱 / 资金池 | 网络分析（社区发现） | 交易对手图、账户关联 | 发现隐藏的环形交易结构 |
| 客户持续风险评级 | 行为评分（XGBoost） | 历史交易 + 客户画像 + 标签 | 动态风险排序，降低人工复核量 |
| 新开户实时筛查 | 规则模型 + 异常检测 | 基本信息 + 首笔交易 | 秒级响应，拦截高风险开户 |
| 跨境交易监测 | 异常检测 + 网络分析 | SWIFT报文、交易链路 | 识别跨境多层嵌套交易 |
常见误区： 不要一开始就追求“最先进”的图神经网络或深度学习模型。AML监测的核心是可解释性 + 低误报。建议从规则+孤立森林或XGBoost起步，积累足够标注数据后再引入图模型。盲目上复杂模型会导致调查团队无法理解预警原因，最终模型被弃用。
2.5 模型迭代的起点：基线评估
在开始任何模型迭代之前，必须建立当前模型的基线指标。以下是必须记录的三个核心指标：
- 预警量（Alert Volume）： 每日/每周生成的预警总数。
- 确认率（Confirmation Rate）： 经调查确认为可疑的预警占比（目标 > 15%）。
- 误报率（False Positive Rate）： 经调查排除的预警占比（目标 < 85%）。
基线数据将作为后续对照实验的“对照组”，用于量化每次模型迭代的真实提升幅度。