Flink反洗钱PSI漂移告警实战课 - 第1节
1.1 反洗钱业务背景
反洗钱（Anti-Money Laundering, AML）是指金融机构、支付机构及特定非金融行业，依法采取客户尽职调查、交易监测、可疑报告、记录保存等措施，防止犯罪分子通过合法渠道掩饰、隐瞒非法所得及其收益来源的监管体系。在全球化与数字化双重驱动下，洗钱手法不断迭代，从传统的现金走私、空壳公司转账，演变为利用虚拟货币、跨境支付、电商刷单、游戏道具交易等新型通道进行资金清洗。
核心监管要求： 金融机构必须建立“风险为本”的反洗钱内控制度，对客户身份、交易行为、资金流向进行持续监控，并在发现异常时向金融情报机构（FIU）提交可疑交易报告（STR）。
1.1.1 反洗钱监测的关键环节
| 环节 | 描述 | 常见挑战 |
|---|---|---|
| 客户身份识别（KYC） | 采集并验证客户身份信息，评估风险等级 | 信息造假、冒名开户、受益所有人穿透困难 |
| 交易行为监测 | 基于规则引擎或机器学习模型，实时/准实时分析交易特征 | 规则滞后、模型过拟合、特征分布漂移 |
| 可疑交易报告（STR） | 对触发告警的交易进行人工研判并上报 | 误报率高、研判效率低、证据链不完整 |
| 持续监控与回溯 | 定期评估客户风险画像，回溯历史交易异常 | 数据量大、离线计算延迟、模型稳定性下降 |
1.2 PSI（群体稳定性指标）定义
群体稳定性指标（Population Stability Index, PSI）是衡量两个样本分布之间差异程度的统计量，最初广泛应用于信用评分卡模型监控，后迁移至反洗钱、风控、营销等场景。PSI 通过比较“预期分布”与“实际分布”在每个分箱上的占比变化，量化分布漂移的严重程度。
1.2.1 PSI 计算公式
PSI = Σ (实际占比_i - 预期占比_i) * ln(实际占比_i / 预期占比_i)其中：
- 预期占比_i： 模型训练集或基准时间段内，第 i 个分箱的样本比例。
- 实际占比_i： 当前监控时间段内，第 i 个分箱的样本比例。
- 分箱方式： 通常按等频分箱（每箱样本量接近）或等距分箱（按数值区间划分），分箱数量一般取 10～20 箱。
1.2.2 PSI 阈值与解读
| PSI 值范围 | 漂移程度 | 建议动作 |
|---|---|---|
| PSI < 0.1 | 无显著漂移 | 持续监控，无需干预 |
| 0.1 ≤ PSI < 0.25 | 轻度漂移 | 排查特征变化原因，评估是否需要调整模型 |
| PSI ≥ 0.25 | 严重漂移 | 立即告警，触发模型重训或规则更新 |
经验提示： 在反洗钱场景中，PSI 阈值可适当收紧。例如，对于高风险客户群体，PSI ≥ 0.15 即触发告警，因为洗钱团伙常通过小批量、高频次、渐进式调整来规避检测，轻度漂移也可能隐藏系统性风险。
1.3 PSI 漂移在反洗钱中的重要性
反洗钱监测模型通常基于历史数据训练，假设“训练分布”与“实时分布”保持一致。然而，现实世界中客户行为、交易模式、监管政策、经济环境均处于动态变化中，导致模型输入特征的分布发生偏移。PSI 漂移正是量化这种偏移的核心指标，其重要性体现在以下三个层面：
- 模型有效性预警： 当特征分布发生显著变化时，原有模型的决策边界可能不再适用，导致漏报（洗钱行为未被识别）或误报（正常交易被拦截）急剧上升。PSI 漂移告警可提前发现模型失效风险。
- 洗钱手法识别： 洗钱团伙在试探风控规则时，往往会刻意调整交易金额、频率、对手方等特征，使分布产生局部漂移。PSI 能够捕捉到这种群体层面的异常变化，为反洗钱分析师提供调查线索。
- 监管合规要求： 国内外监管机构（如 FATF、央行反洗钱局）明确要求金融机构定期评估模型稳定性，并保留监控记录。PSI 漂移报告是合规审计的重要依据。
实战警示： 在 Flink 实时反洗钱系统中，PSI 漂移计算必须考虑时间窗口的滑动效应。如果使用固定基准分布，当客户行为发生季节性变化（如春节前后交易量激增）时，PSI 可能虚高。建议采用“滚动基准 + 动态阈值”策略，例如以最近 30 天为基准窗口，与当前 1 天窗口进行对比，并引入节假日因子校准。