1. 反洗钱监测概述
1.1 反洗钱监管背景
反洗钱（Anti-Money Laundering, AML）是指金融机构及特定非金融机构为预防和打击洗钱活动，依法采取客户尽职调查、大额与可疑交易报告、记录保存等一系列措施的总称。近年来，全球监管环境呈现以下显著趋势：
- 监管趋严：FATF（金融行动特别工作组）持续更新国际标准，各国监管处罚力度逐年加大。
- 数据驱动：从规则型监测向风险为本（Risk-Based Approach）的智能监测转型。
- 模型治理：监管机构明确要求金融机构对监测模型进行持续验证与漂移监控。
关键监管文件参考： 中国人民银行《金融机构反洗钱和反恐怖融资监督管理办法》（2021）、FATF《数字身份指引》（2020）、欧盟《反洗钱一揽子计划》（2021）。
1.2 监测体系架构
一个完整的反洗钱监测体系通常包含以下四个核心层次：
| 层次 | 核心组件 | 主要职责 |
|---|---|---|
| 数据层 | 客户信息、交易流水、黑名单、制裁名单 | 多源数据采集、清洗、标准化存储 |
| 规则/模型层 | 阈值规则、机器学习模型、图分析引擎 | 异常交易识别、可疑评分、关联挖掘 |
| 监测分析层 | 案件管理系统、调查工作台、可视化看板 | 告警确认、调查取证、报告生成 |
| 治理反馈层 | 模型验证、漂移监控、效能评估 | 模型持续优化、监管合规报告 |
1.3 模型漂移问题的由来
在反洗钱监测场景中，模型漂移（Model Drift）是指监测模型在生产环境中的性能表现随时间推移而逐渐劣化的现象。其根本原因在于模型训练时所依赖的数据分布假设与实际运行环境之间产生了偏差。
漂移的主要类型
| 漂移类型 | 英文术语 | 定义 | 反洗钱场景示例 |
|---|---|---|---|
| 数据漂移 | Data Drift | 输入特征分布发生变化 | 客户年龄结构变化、交易金额分布偏移 |
| 概念漂移 | Concept Drift | 特征与目标变量之间的关系改变 | 新型洗钱手法出现，原有规则失效 |
| 标签漂移 | Label Drift | 真实标签分布发生变化 | 监管定义更新，可疑交易认定标准变化 |
| 上游漂移 | Upstream Drift | 数据源或数据管道发生变化 | 核心系统升级、字段映射变更 |
⚠️ 常见误区： 很多团队只关注模型准确率（Accuracy）的下降，却忽略了数据漂移才是导致模型失效的根源。PSI（Population Stability Index，群体稳定性指标）正是用于量化数据漂移的核心工具。
漂移产生的典型原因
- 业务环境变化：宏观经济周期、行业政策调整、客户群体迁移。
- 洗钱手法演进：犯罪分子不断更新交易模式以规避监测。
- 数据管道异常：ETL 逻辑变更、字段缺失、数据源切换。
- 模型更新滞后：模型版本迭代周期过长，无法适应实时变化。
💡 实践要点： 在反洗钱监测项目中，建议将 PSI 漂移监控作为模型上线后的第一道防线。当 PSI > 0.1 时触发告警，> 0.25 时需立即启动模型重训或规则调整流程。