金融AI实验室近期在可疑交易识别方向做了一组对照实验，目标不是替换既有规则引擎，而是补上规则难以覆盖的链路级异常。
方法上，我们把账户与交易构造成带时间属性的异构图：账户节点聚合近30日收支节奏、对手方集中度、夜间交易占比等统计特征；交易边保留金额、渠道、时间间隔与设备指纹。模型采用两段式结构，先用图神经网络对可疑子图打分，再由规则层给出可解释的触发理由，最终输出按优先级排序的线索清单。
测试使用合作机构脱敏数据，日均约120万笔交易，可疑样本占比不足0.05%。在将误报量控制在原有水平的前提下，线索召回率提升约11个百分点，人工核查的线索收敛时间缩短约三成。
要点：
- 进展：可疑子图打分与规则触发理由已打通，输出可直接进入现有案件队列，无需改造下游流程。
- 下一步：接入客户尽调文本与工商股权关系，做跨模态对齐；先在沙箱内影子运行三个月，重点观察长尾场景的稳定性。
评论