什么是最好的动态风险评分算法？：约瑟夫·伊比拉（Joseph Ibitola）

金融犯罪风险不是静态的。客户的风险概况可以随着新的交易，行为或数据而迅速转移。然而，从历史上看，许多金融机构依靠一次或不经常更新的风险评分，留下了盲点。实际上，在2024年，一家主要银行被罚款31亿美元，部分原因是其客户风险评级已过时并“使用损坏的逻辑进行计算”，从而使高风险的客户可以通过。当今监管机构预计整个客户生命周期中都会持续，实时风险评分。这意味着合规团队必须使用将初始入门信息（KYC）信息与持续的行为信号融合的算法动态评分客户风险。在这篇文章中，我们将比较三种动态风险评分算法的方法； 简单的平均值，移动平均值和加权评分，以了解哪个对于反洗钱（AML）和欺诈检测环境来说是“最佳”的。每种方法都有优势和权衡，目标是根据上下文选择和组合它们，而不是全适合。

简单的平均值

简单的平均方法从所有可用的数据点计算一个平均值，从而使每个点相等。在风险评分的情况下，这可能意味着长期以来平均客户的风险与风险相关的行为或指标（例如寿命平均交易价值，平均每月交易数等）。过去的每个数据点都对分数同样贡献。

优点：

• 易于实现和解释：简单的算术平均值即可直接计算和解释。
• 平滑短期噪声：因为它汇总了所有数据，因此简单的平均值不会被一次性异常摇动。通过大量数据历史稀释，单个异常交易的效果有限，从而减少了短暂尖峰的错误警报。

缺点：

• 关于最近行为的滞后：简单的平均值很慢，无法反映变化。风险行为的激增可能几乎不会移动长期平均水平，这意味着得分可能低估了当前的风险。
• 旧风险无限期地徘徊：除非手动重置，否则过去的数据永远停留在计算中。如果旧事件不再相关，或者相反会低估当前风险，则可能会夸大风险，因为旧的良性数据的重量掩盖了新兴的问题。

最好的：随着时间的流逝，风险指标变化缓慢而长期趋势比即时波动更重要的情况。例如，测量一年内的平均交易规模或平均帐户余额非常适合简单的平均值，它可以稳定地了解客户的典型行为。这对于检测剖面的逐渐变化（例如稳定增长的交易大小）而不反应过度对单个大型交易很有用。

移动平均值

移动平均值（通常是滚动窗口的平均值）仅查看最新数据子集，例如，最后一个
n 几天或最后 n 交易，平均这些。随着新数据的出现，最古老的数据从窗口中掉出来。这产生了一个不断更新的平均值，随着时间的流逝，“移动”，有效地忘记了窗口外的旧信息。

优点：

• 快速响应最近的变化：通过关注最后的N观测值，移动平均值使得分数对新行为高度敏感。如果通常低风险的客户突然开始进行异常的交易，那么过去7天的移动平均值将迅速升高，以反映风险上升。
• 通过窗口大小适应：团队可以调整窗口长度（n天/交易），以在响应能力和稳定性之间找到平衡。一个较短的窗口（例如最后1周）几乎立即捕获突然变化，这非常适合突然出现的快速移动欺诈模式或AML危险信号。

缺点：

• 忘记有用的历史背景：通过设计，窗口外的任何东西都被忽略了。这意味着移动平均线可能会“忘记”过去的风险行为，一旦衰老。重要的上下文（就像几个月前的风险活动模式一样）如果它在窗户之外，则会丢失，这可能会导致错误的自满情绪。
• 如果窗口太小，则可能是波动的：如果窗口很短，则分数可能会在每个新数据点上广泛摆动。日常的波动可以使风险得分越来越大（“鞭打效应”），并触发可能只是正常差异的警报。 选择正确的窗口尺寸对于避免过度波动至关重要。

最适合： 高度敏感的风险因素，最近的活动应该超过遥远的过去。移动平均值在检测快速变化的行为或风险上的峰值方面表现出色，例如，交易速度急剧增加或在过去14天内的平均交易值突然增加。在欺诈检测中，当今天的行为远离最近的规范时，移动的平均值可能会标记。只要注意设置窗口（不要太短就不会引起噪音，而不会太长而无法变得迟钝）。

加权评分（静态 +行为）

加权评分结合了多个输入，通常是静态客户属性和动态行为信号的混合物，每个输入乘以所选权重，以产生复合风险评分。与平均平均值（每个输入相等）或固定窗口不同，此方法使您可以将更高的重要性分配给某些因素。例如，客户登上的固有风险因素（例如KYC数据：高风险国家，PEP状态等）可能是分数的一部分，他们最近的交易行为（速度，音量，异常）可能是另一部分。每个因素都根据其感知的风险贡献给予重量，总分是所有这些因素的加权总和或平均值。

优点：

• 最灵活和表现力：加权评分本质上是可自定义的风险模型。您可以包括任何数量的变量（静态配置文件数据和动态行为指标）并调整其权重。这种灵活性意味着该模型可以根据需要尽可能全面，涵盖国家风险，业务类型，过去的警报，交易模式，设备更改等，每个因素的重量都反映了其风险影响。这是将专家风险判断编写成评分算法的一种方法。
• 平衡固有的与当前风险：通过结合静态和动态元素，加权评分可提供整体观点。静态KYC因素确保分数从适当的基准开始（例如，受批准国家 /地区的客户可能以较高的风险开始），而行为因素随着客户的活动随着时间的推移而调整得分。分数的实时演变意味着它可以随时密切跟踪客户的真实风险水平，这是持续监视的理想选择。

缺点：

• 需要仔细的校准：加权模型的功能伴随着选择良好的权重和阈值的责任。如果选择权重（例如，过度加权因素或关键因素不足），则该分数可能会歪曲出现的风险。正确获取这些通常涉及分析，专家投入，有时是反复试验或历史测试。需要定期审查以根据风险模式或监管指导变化来调整权重。

最适合： 实时，上下文丰富的风险评估。当您希望您的风险评分反映客户的完整风险故事，将自己的身份（固有的风险）以及他们在做什么（行为风险）结合到一个连续分数时，加权评分是理想的选择。这种方法在基于现代风险的交易监视程序中亮相，例如，您可能会在其中为事件分配某些点值或权重：地理位置不匹配可能会增加0.2的风险分数，而重复的大型跨境转移可能会增加0.7。结果是高度适应性监控：一旦客户的行为改变或出现一些新的风险因素，加权分数就会按比例调整。这使其适用于供应警报和决策的实时风险评分系统，您可以设置分层的风险阈值（低/中/高），并确信得分既封装客户的背景及其最新动作。

结论：选择上下文，而不是万能的

那么，“最佳”动态风险评分算法是什么？事实是，这些方法中的每一种都有一个角色，最佳方法取决于上下文。简单的平均值，移动平均值和加权评分并不是互斥的，他们可以互相补充。例如，您可能会使用移动平均线来检测短期偏差（例如，每周活动），同时仍考虑更长的基线稳定性平均值，然后应用将这些信号与静态风险因素相结合的加权模型。真正的力量来自将这些技术融合在一起以捕获客户风险状况中的全局和最新发展。

关键是要超越纯静态分数。正如行业案例所表明的那样，一年后的一年后，一年来的风险评级不会反映出现实，因为GAP会造成合规性失败。取而代之的是，FinCrime团队应采用动态评分模型，以随着行为和时间更新。通过调整风险算法以适合每种情况（并具有轻松执行此情况），您可以确保高风险的变化不会被忽视，并且低风险的客户不会因过时的风险标签而损害。