1. 反洗钱与模型风险概述
1.1 反洗钱监管背景
反洗钱（Anti-Money Laundering, AML）是金融机构与监管机构为防范犯罪分子通过交易掩盖非法资金来源而采取的法律、制度与措施体系。近年来，全球监管框架持续趋严，主要司法管辖区均强化了金融机构在客户尽职调查、交易监测、可疑报告等方面的合规义务。
| 监管体系 | 核心法规/指引 | 关键要求 |
|---|---|---|
| FATF（金融行动特别工作组） | FATF 40 项建议 | 风险为本方法、客户尽职调查、可疑交易报告 |
| 中国 | 《反洗钱法》《金融机构反洗钱规定》 | 大额交易报告、可疑交易标准、客户风险等级划分 |
| 欧盟 | AMLD4/5/6 | 受益所有人识别、跨境交易监测、监管科技应用 |
| 美国 | Bank Secrecy Act / USA PATRIOT Act | 可疑活动报告（SAR）、货币交易报告（CTR） |
关键趋势：监管机构正从“规则驱动”向“风险为本”转型，要求金融机构使用更精细化的模型来识别异常交易，同时模型本身的可解释性与稳定性也成为监管检查重点。
1.2 模型在反洗钱中的应用
现代反洗钱体系高度依赖定量模型来提升监测效率与准确性。模型主要应用于以下场景：
- 客户风险评级：基于客户属性（行业、地域、交易模式）计算固有风险与动态风险得分。
- 交易监测与预警：通过规则引擎或机器学习模型识别异常交易行为，生成可疑交易警报。
- 网络分析：利用图算法挖掘账户之间的资金流转关系，发现团伙洗钱模式。
- 名单筛查：将交易对手与制裁名单、政治公众人物（PEP）名单进行模糊匹配。
- 模型验证与优化：定期评估模型区分能力、校准度与稳定性，确保模型持续有效。
实践提示：反洗钱模型通常采用“规则+机器学习”混合架构。规则保证可解释性与监管合规，机器学习提升对复杂洗钱模式的识别能力。两者结合时，模型漂移监测尤为重要。
1.3 模型漂移风险定义与重要性
模型漂移（Model Drift）是指模型在生产环境中，其预测性能、输出分布或决策边界随时间发生显著变化，导致模型不再适用于当前数据分布或业务场景的现象。在反洗钱领域，模型漂移直接威胁监测有效性，可能造成大量漏报或误报。
模型漂移的主要类型
| 漂移类型 | 定义 | 反洗钱场景示例 |
|---|---|---|
| 概念漂移（Concept Drift） | 输入与输出之间的关系发生变化 | 洗钱手法从“拆分交易”转向“虚拟货币混币”，原有模型无法识别新模式 |
| 数据漂移（Data Drift） | 输入数据的统计分布发生变化 | 疫情后线上交易激增，交易金额分布整体右移，模型阈值失效 |
| 上游漂移（Upstream Drift） | 数据源或特征工程逻辑变更导致分布偏移 | 客户风险评级系统升级，评分规则调整，下游交易监测模型输入分布改变 |
| 标签漂移（Label Drift） | 训练标签的定义或标注标准发生变化 | 监管更新可疑交易认定标准，历史标签不再适用于当前定义 |
风险警示：模型漂移若不及时发现，可能导致反洗钱系统在数月内持续产生错误预警。某国际银行曾因未监测到交易监测模型的数据漂移，导致超过 2000 笔可疑交易未被识别，最终被监管处以巨额罚款。
模型漂移监测的重要性
- 监管合规要求：监管机构明确要求金融机构建立模型持续监测机制，确保模型在全生命周期内有效。
- 降低运营成本：及时识别漂移可避免大量无效预警，减少人工审核资源的浪费。
- 提升风险覆盖：漂移监测帮助机构快速适应新型洗钱手法，保持监测体系的前瞻性。
- 模型治理闭环：漂移监测是模型验证、模型退役与模型迭代的核心输入，构成模型治理的闭环。