4. 规则阈值设定方法：统计分析法、风险基准法、机器学习辅助法、行业对标法
阈值是AML监测规则的“扳机”——设定过高会漏报，设定过低则产生海量无效预警。实务中，单一方法往往难以兼顾准确性与稳定性，需根据数据类型、风险偏好和监管要求组合使用。以下四种方法是业界最主流的阈值设定路径。
4.1 统计分析法
基于历史交易数据的分布特征，通过数学统计量确定阈值。适用于交易金额、频率、速度等连续型数值指标。
| 统计方法 | 适用场景 | 阈值计算方式 | 优缺点 |
|---|---|---|---|
| 均值±n倍标准差 | 近似正态分布的数据（如工资代发、日常消费） | μ ± nσ（n通常取2~3） | 简单直观；对极端值敏感，需先剔除离群点 |
| 百分位数法 | 偏态分布或含大量零值的数据（如小额零售、对公转账） | P95 / P99 / P99.9 | 抗极端值；需根据业务量选择分位点 |
| 箱线图法（IQR） | 识别离群交易（如单笔突增、夜间交易） | Q3 + 1.5×IQR（上界） | 稳健性强；对低活跃账户可能失效 |
| 移动平均+动态带宽 | 季节性波动明显的行业（如旅游、零售、跨境贸易） | MA(30) ± k×σ_MA | 适应趋势变化；需定期重算窗口 |
实操要点：统计分析法应至少覆盖近12个月数据，并按客户分层（零售/对公/高净值）分别计算。对于新开户或数据不足3个月的账户，建议使用全局统计量作为初始阈值，待积累足够数据后再切换为个性化阈值。
4.2 风险基准法
以机构整体风险偏好和客户风险评级为锚点，自上而下分配预警资源。核心逻辑：高风险客户/产品/渠道使用更敏感的阈值，低风险客户使用更宽松的阈值。
- 风险等级映射：将客户分为低、中、高、极高四档，每档对应不同的阈值倍数或分位点。例如：高风险客户阈值 = P90，低风险客户阈值 = P99.5。
- 风险加权调整：在统计阈值基础上乘以风险系数。例如：基础阈值 × (1 + 风险评分偏移量)。
- 预警容量预算：根据合规团队处理能力，设定每日/每周最大预警量，反向推导阈值。例如：团队日处理上限200条，则阈值调整至使日均预警量≤200。
风险基准法最佳实践：建议将风险评分与阈值联动，每季度校准一次风险评分模型。对于“高风险低交易量”客户，可额外设置“零容忍”规则（如：涉及制裁名单的交易直接触发预警），不依赖数值阈值。
4.3 机器学习辅助法
利用监督学习或无监督学习模型，自动学习数据中的复杂模式，生成动态、个性化的阈值。适用于数据量大、特征维度高的场景。
| 方法类别 | 典型算法 | 阈值生成方式 | 适用条件 |
|---|---|---|---|
| 无监督异常检测 | 孤立森林、LOF、AutoEncoder | 异常得分 > 分位点阈值（如P95） | 无标注数据；需人工复核异常样本 |
| 监督分类模型 | XGBoost、LightGBM、神经网络 | 预测概率 > 概率阈值（如0.3~0.7） | 有高质量标注数据；需定期重训 |
| 半监督/主动学习 | 标签传播、不确定性采样 | 模型不确定性 > 阈值 → 人工标注 | 标注数据稀缺；可迭代优化 |
| 强化学习动态调参 | Q-Learning、策略梯度 | 以F1/召回率为奖励，自动搜索阈值 | 规则数量多、需实时调整的场景 |
注意：机器学习辅助法不能完全替代人工判断。模型输出的阈值应作为“建议值”，最终由合规专家审核确认。同时需防范模型漂移——建议每月监控模型性能，当KS或AUC下降超过10%时立即重训。
4.4 行业对标法
参考同业机构、监管指引或行业白皮书中公布的阈值范围，作为初始设定或交叉验证的依据。适用于缺乏历史数据的新业务、新产品或新地区。
- 监管指引对标：如FATF建议、各国央行发布的交易报告阈值（如中国大额交易报告标准：单笔或当日累计5万元人民币现金交易）。
- 同业基准对标：通过行业协会、合规论坛或第三方调研获取同业阈值范围（如：零售银行单笔跨境转账预警阈值中位数为$3,000~$10,000）。
- 业务条线对标：同一机构内不同业务线（如零售银行 vs 私人银行 vs 贸易融资）的阈值差异，可作为内部校准参考。
对标法使用原则：行业对标值只能作为“起点”而非“终点”。必须结合本机构客户结构、交易量级和风险偏好进行本地化调整。建议采用“对标值±20%”作为初始区间，运行1~2个月后根据预警准确率逐步收敛。
4.5 四种方法的组合策略
单一方法存在局限性，实务中推荐采用“主+辅”组合策略：
| 组合模式 | 主方法 | 辅方法 | 适用阶段 |
|---|---|---|---|
| 统计+风险基准 | 统计分析法（计算基础阈值） | 风险基准法（按风险等级调整） | 规则上线初期、数据充足 |
| 机器学习+行业对标 | 机器学习辅助法（生成个性化阈值） | 行业对标法（约束阈值范围） | 数据量大、特征丰富 |
| 行业对标+统计验证 | 行业对标法（设定初始阈值） | 统计分析法（验证合理性） | 新业务、无历史数据 |
| 风险基准+机器学习 | 风险基准法（确定预警容量） | 机器学习辅助法（优化阈值精度） | 合规团队人力受限 |
阈值校准周期建议：统计分析和行业对标法建议每季度校准一次；风险基准法随客户风险评级更新（至少每半年）；机器学习辅助法建议每月监控模型性能，每季度全面重训。所有阈值调整均需记录变更日志，并保留调整前后的预警数据用于回溯验证。