基于大小模型结合的合规风控方法研究

发布时间：2026年03月21日  作者:aiycxz.cn

　　（来源：中国金融电脑）

　　作者

　　交通银行数据管理与应用部 张静 任臻明 王珍珍 梅宇婷 刘加桢 徐东瑾

　　近年来，随着金融科技的快速发展及监管要求的日趋严格，商业银行不断加大在反洗钱与合规风险防控领域的资源投入力度，以切实践行金融工作的政治性、人民性。在此背景下，面对愈加严峻的风险防控形势，日渐成熟的人工智能技术为商业银行强化反洗钱与合规风控业务提供了全新抓手。尤其是大小模型融合的协同架构不仅进一步提升了风险防控体系的准确性和有效性，使商业银行能够高效配合有关部门打击洗钱等违法犯罪活动，同时也更好地支撑了金融业务的高质量发展。

　　一、传统合规风控技术的

　　局限性分析

　　传统模式下，银行业常见的反洗钱和合规风控方式主要可分为三种：第一种是基于业务规则，即通过预定义规则筛选可疑交易，例如通过设置交易层面有关阈值触发预警，或与黑名单、高风险地区匹配筛查等。该模式具有规则明确、业务可解释性较强且符合监管合规要求等特点，但较为依赖人工经验，不仅误报率较高，而且也难以快速应对新型洗钱手段。第二种是基于知识图谱，即通过图结构来描述不同实体与实体间的关联关系，并据此构建资金交易网络，识别其中较为复杂的资金流转路径。该模式更加契合洗钱交易“快进快出”等特点，有助于发现隐蔽的团伙洗钱或地下钱庄等群体性风险事件，但同样也需要较为丰富的数据支撑，且对计算资源的消耗较大。第三种是基于机器学习模型，即通过逻辑回归、决策树等传统的机器学习小模型，从客户的基本信息、行为特征、交易特征等多维数据入手，对客户进行风险评级、可疑交易概率分析等分类预测。该模式比基于业务规则的方式更加灵活，可快速挖掘非线性关系，但较为依赖特征工程，且很难处理海量的时序数据。

　　二、大小模型相结合的

　　风控模式探索

　　在个人金融反洗钱与合规风控领域，面对日益复杂的金融违法行为和海量异构数据挑战，融合了大小模型的协同架构正凭借其独特优势成为破局关键，并在提高风控精准度、重塑业务流程等方面展现出强大优势。

　　1.激活风控文本数据价值

　　传统风控系统对非结构化文本数据的处理能力较差，而这恰恰是洞察客户真实意图与行为的关键所在。对此，大模型凭借强大的自然语言处理能力，可精准解析客户经理与客户的对话记录、电子邮件、在线聊天、投诉工单与尽调报告中的细微语义，并迅速识别“暗示性引导”“风险规避话术”或模糊承诺等内容，有效弥补基于强规则的风控系统存在的不足。此外，面对海量尽调文档、交易附言和舆情信息，大模型还能实现自动化信息抽取、摘要生成和主题聚类。例如，大模型能够从繁杂的企业流水备注中快速归纳出“疑似地下钱庄”等特征，或从新闻中识别客户关联实体的负面舆情，进而为后续精准风控提供高质量输入。

　　2.实现高精度风险感知

　　对于传统风险识别规则易被针对性规避(如“单笔转账高于5万元即预警”规则可通过少量多次转账来规避)的问题，大小模型相结合提供了更为完善的应对办法。其中，大模型负责理解“拆分意图”的文本线索，小模型则可通过时序分析、关联网络识别拆分行为的整体异常模式。在此模式下，风控系统将具备动态模糊边界和上下文感知能力，让“钻空子”行为无处遁形。同时，基于大模型提炼的高价值特征以及传统结构化数据，小模型还能训练出高精度、低延迟的实时风险评分模型，从而更加敏锐地捕捉如“分散转入、集中转出并迅速购买高流动性资产”等复杂洗钱模式，实现毫秒级预警。

　　3.促进风控工作流程重塑

　　与传统流程相比，融合了大小模型的风控系统通过对历史高风险案例进行深度分析，可自动总结归纳出多样化的风险场景模板，并预先配置差异化的干预策略。例如，对于诱导销售风险，自动触发双录复核、增加冷静期提示或限制高风险产品销售；对于特定洗钱模式，则触发强化尽调、限制非柜面交易或提升交易验证等级。这种基于场景的精细化策略，可显著提升干预有效性和客户体验。此外，大模型还可实现对预警案件的智能分级。其中，针对低风险预警，可由大模型驱动的聊天机器人自动完成基础核查与客户沟通；针对中高风险案件，则根据大模型提炼的核心疑点和建议，精准推送给具备相应专长的复核人员，并同步为其推送关键参考信息，有效减少人工处理低价值告警的工作量。

　　4.推动风控模式持续演进

　　在大小模型融合的协同架构中，大模型作为合规风控系统的“知识中枢”，将能够持续从海量案例、法规、内部指引中提炼新模式和风险点，并动态更新到风控知识库中；与此同时，小模型的预测结果和人工复核结论也可以持续反馈给大模型，使其风险认知不断进化。此外，“知识中枢”不仅能够为模型迭代提供语料支持，还能作为解答一线人员业务疑问的智能外脑，辅助其更好地服务客户。

　　三、大小模型结合应用的

　　典型场景

　　1.企业微信合规识别场景

　　当前，监控客户经理通过企业微信开展营销时的违规行为(如违规指导风险测评、违规利益输送、曲解风险等)已成为商业银行实施风险管控的重要内容。然而，企业微信的文本数据通常为海量对话记录，每日新增数十万条以上。若将全量数据输入大模型进行判别，将导致大模型处理压力过大且相关耗时较长，而最终结果也难以满足实际使用的要求。对此，交通银行引入小模型中的关键词筛查机制，大幅降低了大模型的识别压力，并通过对海量文本数据进行初步分类，进一步降低了提示词工程的设计难度。此外，交通银行还充分利用大模型对规则边界的模糊处理能力，实现对真实语义的精准识别，并将利用小模型整合的规则逻辑融入提示词工程来引导大模型进行条件思考，将满足“关键词问题”转化为满足“条件问题”，显著增强了大模型的判别能力。

　　2.洗钱风险识别场景

　　当前，随着商业银行反洗钱管控力度的持续加大，一线业务人员的尽职调查任务也日渐繁重，诸如方向不明确、效率低下等问题正逐步凸显。针对上述痛点，交通银行设计提出“有监督学习甄别客户+图数据追踪流水+大模型整合信息”的联合模型方法论，通过客户标签、交易特点、行为偏好等特征建立机器学习模型，并将其涉及的交易明细构建为图数据网络，在追踪可疑交易、识别可疑社区以及判别潜在洗钱行为等方面均取得了良好成效。具体而言，当小模型识别出可疑交易或客户后，大模型将会及时调取客户多维度信息，自动生成结构化的可疑交易分析报告初稿，在列出关键疑点的同时通过关联图谱进行可视化展示，并基于历史类似案例和法规要求，提供具体、可操作的尽调建议清单。

　　四、后续展望

　　随着人工智能技术的不断发展和成熟，交通银行将持续关注大小模型在反洗钱及合规风控领域的创新应用。在数据层面，通过沉淀各类库表数据资产、常用指标口径以及适配的业务应用案例，依托零售标签、风险标签以及通过大模型提炼的专属特征，加速打造反洗钱风控模型特征库，不断提升特征复用能力。在业务层面，通过使用大模型凝练业务流程与工作记录，梳理形成包括尽职调查等在内的业务指导手册，并尝试搭建覆盖反洗钱风控各条线的知识库体系，以及打造业务条线专属智能助手，进一步提升反洗钱工作质效，加速构建更加安全、高效的反洗钱风控防线。

　　本文刊于《中国金融电脑》2026年第3期

　　特别提示

　　《中国金融电脑》杂志不收取作者版面费用，不会以所谓的“本刊代理/编辑部”或“发表定金”“手续费”等名义收取费用。购刊收款账户为对公账户，请勿对任何个人账户汇款。另，本刊开具发票不收取任何额外费用。如有异常，请作者立即与本刊编辑部查证核实，以免给自身造成风险或损失。

　　本刊编辑部联系方式：

　　010-51915111-816

　　投稿邮箱：

　　fcc@fcc.com.cn

　　市场合作：

　　010-51915111-813

　　010-51915111-812

　　010-51915111-826