1. 反洗钱模型概述
1.1 反洗钱监管背景
反洗钱（Anti-Money Laundering, AML）已成为全球金融体系的核心合规议题。国际反洗钱监管框架主要由金融行动特别工作组（FATF）主导，其发布的“40项建议”是各国制定反洗钱法规的基准。近年来，监管趋势呈现以下特征：
- 处罚力度持续升级：全球主要经济体对反洗钱违规的罚款金额屡创新高，单笔罚单可达数十亿美元。
- 监管范围扩大：从传统银行业扩展至虚拟资产服务商、支付机构、律所、房地产等“特定非金融行业”。
- 强调“风险为本”：监管机构要求机构根据自身风险画像配置资源，而非机械执行“一刀切”规则。
- 数据报送要求精细化：大额交易报告、可疑交易报告（STR）的时效性和质量要求持续提高。
关键数据：据ACAMS统计，2023年全球反洗钱合规成本超过2,740亿美元，其中模型监控与维护占比逐年上升。
1.2 模型在反洗钱中的作用
反洗钱模型是金融机构识别、评估和报告潜在洗钱风险的核心技术手段。其作用贯穿于客户全生命周期，主要分为以下三个层次：
| 层次 | 核心功能 | 典型模型类型 |
|---|---|---|
| 客户准入层 | 识别高风险客户，拒绝或加强尽调 | 客户风险评级模型、制裁名单筛查模型 |
| 交易监控层 | 实时/准实时检测异常交易行为 | 异常交易检测模型、团伙洗钱网络模型 |
| 报告与回溯层 | 生成可疑交易报告，支持监管报送 | STR评分模型、案例优先级排序模型 |
模型输出的评分或标签，直接决定案件调查员的工作优先级。一个误报率过高的模型会导致“狼来了”效应，使调查员疲劳；而漏报率过高的模型则可能使机构面临监管处罚。
实践提示：反洗钱模型并非“一劳永逸”。随着洗钱手法演变（如利用加密货币、贸易洗钱），模型需要持续迭代。PSI漂移告警正是监控模型稳定性的关键工具。
1.3 模型生命周期管理
反洗钱模型的生命周期管理（Model Lifecycle Management, MLM）是确保模型长期有效性的框架。一个完整的生命周期通常包含以下阶段：
- 需求定义与设计：明确业务目标（如降低误报率至X%）、定义风险变量、选择算法。
- 数据准备与特征工程：清洗历史交易数据、衍生特征（如交易频率、金额波动系数）。
- 模型开发与验证：训练模型、交叉验证、压力测试，确保区分度与稳定性。
- 部署与集成：将模型接入交易监控系统，配置告警阈值。
- 持续监控与告警：实时跟踪模型性能指标（PSI、KS、AUC），触发漂移告警。
- 模型退役与替换：当模型失效或业务变更时，启动退役流程。
1.4 模型监控的核心指标
在模型生命周期管理中，持续监控阶段需要关注多个维度的指标。以下表格列出了反洗钱模型最关键的监控指标：
| 指标类别 | 指标名称 | 监控目的 | 典型阈值 |
|---|---|---|---|
| 稳定性 | 群体稳定性指标（PSI） | 检测模型评分分布是否发生漂移 | PSI < 0.1 稳定；0.1~0.25 需关注；> 0.25 告警 |
| 区分度 | KS统计量 / AUC | 评估模型区分好坏样本的能力 | KS > 0.3；AUC > 0.75 |
| 准确率 | 误报率 / 漏报率 | 衡量模型预测与实际结果的一致性 | 误报率 < 5%；漏报率 < 1% |
| 时效性 | 模型推理延迟 | 确保模型能在交易窗口内完成评分 | P99 < 500ms |
常见误区：很多团队只关注模型上线时的KS/AUC，而忽略了上线后的PSI监控。实际上，由于客群结构变化、宏观经济波动或洗钱手法升级，模型稳定性往往比区分度更容易先恶化。PSI漂移告警是模型失效的“早期预警系统”。