3. 规则分类与场景：交易监测规则、客户尽职调查规则、名单筛查规则、可疑交易报告规则
AML 监测体系并非单一规则堆砌，而是由四大规则族构成的分层防御网络。每一类规则对应不同的数据源、分析逻辑与触发动作。理解其分类与适用场景，是规则优化的前提。
3.1 四大规则族的功能定位
| 规则类别 | 核心目标 | 数据输入 | 典型输出 |
|---|---|---|---|
| 交易监测规则 | 识别异常交易行为模式 | 交易流水、账户行为日志 | 交易预警（Alert） |
| 客户尽职调查规则 | 评估客户固有风险等级 | 客户身份信息、受益所有人、职业/行业 | 风险评级（Low/Medium/High） |
| 名单筛查规则 | 匹配制裁/负面名单 | 客户名称、交易对手、IP/地址 | 命中告警（Hit） |
| 可疑交易报告规则 | 整合证据链形成报告 | 预警分析结论、调查记录 | STR（可疑交易报告） |
关键认知： 交易监测与名单筛查是“第一道防线”，产生原始告警；客户尽职调查提供风险上下文，用于过滤误报；可疑交易报告是最终输出，必须基于前三类规则的联动证据。
3.2 交易监测规则：行为模式识别
交易监测规则是 AML 系统中最活跃、数量最多的规则。它们通常基于阈值、统计偏差或机器学习模型，对实时或准实时的交易流进行扫描。
3.2.1 常见场景分类
- 金额阈值类： 单笔/累计超过特定金额（如单笔 > ¥50,000 的现金交易）。
- 频率异常类： 短时间内多次交易（如 1 小时内 10 笔转账）。
- 结构拆分类（Smurfing）： 多笔交易金额略低于报告阈值，累计达到大额。
- 地理风险类： 交易对手位于 FATF 高风险或受制裁国家/地区。
- 行为突变类： 账户长期休眠后突然活跃，或交易量较历史均值激增 3 倍以上。
优化建议： 阈值规则应结合客户风险等级动态调整。高风险客户的阈值应更低，低风险客户可适当放宽，以减少无效预警。
3.3 客户尽职调查规则：风险分层引擎
CDD 规则不直接监测交易，而是为每个客户计算一个“固有风险分”。这个分数将直接影响交易监测规则的灵敏度。
3.3.1 风险因子权重示例
| 风险维度 | 低风险（1分） | 中风险（2分） | 高风险（3分） |
|---|---|---|---|
| 客户类型 | 政府机构、上市公司 | 私营企业、个体工商户 | 信托、壳公司、非营利组织 |
| 行业 | 制造业、零售业 | 房地产、珠宝 | 虚拟货币、赌场、跨境支付 |
| 地域 | 境内低风险地区 | 一般境外地区 | FATF 黑名单/灰名单国家 |
| 交易目的 | 工资、日常消费 | 投资、贸易结算 | 大额捐赠、无商业理由转账 |
总分 = 各维度分数加权求和。总分超过阈值（如 10 分）则自动标记为高风险，触发强化尽职调查（EDD）。
3.4 名单筛查规则：精准匹配与模糊匹配
名单筛查的核心在于“匹配算法”的准确率。过度宽松会导致海量误报，过度严格则可能漏掉真正的制裁对象。
3.4.1 匹配策略对比
| 匹配类型 | 算法示例 | 适用场景 | 误报率 |
|---|---|---|---|
| 精确匹配 | 全名字符串完全一致 | 护照号、身份证号、LEI 代码 | 极低 |
| 模糊匹配 | Levenshtein 距离、Soundex | 姓名拼写变体、音译差异 | 中等 |
| 部分匹配 | 姓氏 + 首字母、关键词片段 | 别名、缩写、中间名省略 | 较高 |
| 语音匹配 | 双元音编码、拼音转写 | 中文姓名音译（如 Wang → Wong） | 高 |
常见陷阱： 仅依赖精确匹配会遗漏“Muhammed”与“Mohammed”的拼写差异；而过度使用语音匹配可能导致每日数万条误报。建议采用“分层筛查”：先用精确匹配，未命中时再启用模糊匹配，并设置相似度阈值（如 > 85%）。
3.5 可疑交易报告规则：证据链组装
STR 规则不是独立的检测逻辑，而是“聚合与决策”规则。它负责将交易监测预警、CDD 评级、名单筛查结果进行关联，判断是否达到报告标准。
3.5.1 STR 触发条件示例
IF (
交易监测预警等级 == '高' AND
客户风险评级 == '高' AND
名单筛查结果 == '未命中' AND
交易金额 > ¥200,000
) THEN
生成 STR 草稿
通知合规官人工复核
END IF3.5.2 报告内容要素
- 交易摘要： 时间、金额、渠道、交易对手。
- 客户画像： 风险评级、开户时长、历史行为。
- 异常行为描述： 触发了哪些具体规则（如“7 日内分 5 笔存入 ¥49,800”）。
- 调查结论： 是否发现洗钱、恐怖融资或其他犯罪迹象。
- 附件： 交易流水截图、KYC 文件、通话记录等。
3.6 四大规则族的协同关系
下图展示了从数据流入到 STR 输出的完整规则联动链路：
3.7 规则分类的优化切入点
针对每一类规则，优化策略各有侧重：
- 交易监测规则： 降低高频误报规则（如“整数金额交易”）的权重，引入机器学习模型替代固定阈值。
- CDD 规则： 定期更新风险因子权重，增加“负面新闻”和“关联实体”等动态维度。
- 名单筛查规则： 优化模糊匹配算法，引入白名单机制过滤已知安全实体（如政府机构）。
- STR 规则： 建立预警到 STR 的转化率指标，对转化率低于 1% 的规则进行根因分析。
效果评估指标： 每类规则都应跟踪“准确率（Precision）”、“召回率（Recall）”和“F1 分数”。例如，交易监测规则的 F1 分数应维持在 0.6 以上，名单筛查规则的误报率应控制在 5% 以内。
3.8 规则分类与场景的映射矩阵
下表将四大规则族与具体洗钱场景进行映射，帮助合规人员快速定位应启用哪些规则：
| 洗钱场景 | 交易监测 | CDD | 名单筛查 | STR |
|---|---|---|---|---|
| 现金密集型行业（如餐饮） | 高频现金存入规则 | 行业风险因子调高 | — | 累计现金 > ¥100 万触发 |
| 跨境贸易洗钱 | 贸易金额与物流不匹配规则 | 交易对手地域风险评级 | 交易对手制裁名单筛查 | 虚假贸易特征汇总 |
| 虚拟货币洗钱 | 链上交易频率与金额突变规则 | 钱包地址风险评分 | 交易所地址黑名单 | 混币器使用证据链 |
| 政治公众人物（PEP）洗钱 | 大额资金快进快出规则 | PEP 标识自动高风险 | PEP 名单匹配 | 资金来源不明报告 |
通过场景映射，可以避免规则冗余——例如，对于纯境内零售客户，跨境贸易规则可以关闭，从而节省计算资源并降低误报率。