📈 economics

Optimizing Threshold-based Financial Crime Detection: Smoothing Rank Scale Gradient Descent for Discrete Loss Function-Based Threshold Adjustment

本文提出了一种名为平滑秩标度梯度下降（SRSGD）的新型优化框架，该框架通过 Sigmoid 近似和秩标度变换，将基于阈值的金融犯罪检测中的离散损失函数转化为连续损失函数，在保持符合监管要求的召回率的同时，实现了 4000 倍的计算加速并显著节省了人力资源。

原作者： Yen-Wu Ti, Tian-Shyr Dai, Chin-Yi Hsieh, Mao-Chia Wu, Ying-Ping Chen, Hsin-Yun Chang

发布于 2026-08-14

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Yen-Wu Ti, Tian-Shyr Dai, Chin-Yi Hsieh, Mao-Chia Wu, Ying-Ping Chen, Hsin-Yun Chang

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是这座繁忙大都市的安全主管。你的职责是发现那些试图将脏钱混入清洁经济而不被察觉的狡猾罪犯。你无法监视每一个人，所以你设置了“触发线（tripwires）”。如果有人移动的资金量超过一定数额，或者交易次数超过一定次数，警报就会响起，需要人类保安进行调查。这就是反洗钱（AML）的世界：一场在高风险下平衡两件事的游戏。首先，你想抓住每一个坏人（高召回率/Recall）。其次，你不想因为拦截每一个无辜的人而浪费大量的时间和金钱（低人力资源节省/Human Resource Savings）。

棘手之处在于，“坏人们”非常聪明。他们会学习你的触发线在哪里，并游走在触发线之下。因此，你必须不断移动这些触发线。但问题在于，数据是杂乱无章的。大多数人的交易规模很小且平淡无奇，而少数人的交易则规模巨大且异常。这创造了一个崎岖不平、高低不一的景观，想要找到触发线的完美位置，就像是在一座由锯齿状岩石和突发悬崖组成的山上寻找最平坦的路径一样困难。如果你在拥挤的区域稍微移动一点点触发线，可能毫无反应；但如果你在稀疏的区域移动，你可能会误抓一大群无辜的人，或者完全漏掉一个罪犯。

这正是来自台湾和中国的研究团队在他们的新论文中所探讨的难题。他们正在研究银行如何自动调整这些“触发线”，使其变得更聪明、更快速、更廉价。

问题所在：“暴力破解”陷阱

传统上，银行试图通过猜测和尝试来寻找最佳设置。想象一下，你有一个代表“交易金额”的旋钮和一个代表“交易次数”的旋钮。为了找到完美的位置，你可能会尝试将旋钮转到每一个可能的数字组合。研究人员称这种方法为分位数网格搜索（Quantile-Based Grid Search, QGS）。

这就像是通过测试从 0 到 1000 的每一个度数，来寻找一个巨型烤箱的最佳温度。如果你只有几个旋钮，这还算可以。但在现实世界中，银行拥有数百万笔交易。研究人员发现，尝试检查每一个组合就像是在数沙滩上的每一粒沙子一样。在他们测试的一个特定场景中，可能的组合数量如此之大（约为 $10^{20}$ ），以至于即使是最快的计算机也需要几个世纪才能完成这项工作。

他们还尝试了一种称为**模拟退火（Simulated Annealing）**的方法，这就像是一个徒步旅行者试图在雾气弥漫的山脉中寻找最低的谷底，通过随机迈步来寻找路径。有时，徒步旅行者会困在一个小凹陷（局部最优解）中，误以为找到了底部，结果后来才发现附近还有一个更深的谷底。论文指出，这种方法经常陷入停滞，且对于需要频繁更新规则的银行来说速度太慢，难以实用。

解决方案：抚平山峦

由提延武（Yen-Wu Ti）和戴天硕（Tian-Shyr Dai）领导的作者们提出了一种巧妙的新方法来解决这个问题，称为平滑秩标度梯度下降法（Smoothing Rank Scale Gradient Descent, SRSGD）。

这里的魔力在于：他们没有将触发线视为僵硬、离散的数字（如 100, 101, 102），而是将其转化为一个平滑的滑动坡面。

Sigmoid 滑道： 他们使用了一种称为 Sigmoid 函数的数学工具，将触发线的“开/关”性质转变为平滑的滑道。想象一下，不再是一个说“停止！”或“通行！”的硬性墙壁，而是一个斜坡。如果你远低于坡面，你可以轻松通过；如果你远高于坡面，你会被阻挡。但在边缘处，它是一个平缓的坡度。这使得计算机可以使用梯度下降（Gradient Descent）——一种让球沿着山坡滚动以寻找底部的算法。因为山坡现在变得平滑了，球可以高效地滚向最佳位置，而不是被卡在锯齿状的岩石上。
秩标度尺（Rank-Scale Ruler）： 最大的难题是数据分布极不均匀。大多数交易都很小，因此在这些区域，“坡面”非常陡峭且拥挤；而在巨额交易的区域，坡面则非常平坦且宽阔。这使得无法选择单一的“学习率（speed）”来控制球的滚动。如果球滚动的速度足以应对平坦区域，它就会在拥挤的区域飞出悬崖。
为了解决这个问题，研究人员发明了秩标度变换（Rank-Scale Transformation）。想象一把尺子，其刻度在拥挤区域被挤压在一起，而在空旷区域被拉伸得很开，然后你神奇地拉伸这把尺子，使得每一英寸所代表的“重要性”都相等。现在，球在任何地方都能以稳定、可控的速度滚动。无论数据是拥挤还是稀疏，这个“坡面”看起来都是一样的。

研究发现

结果令人印象深刻。当他们在来自两家主要台湾银行（银行 T 和银行 L）的真实数据上测试这种新方法时，发现 SRSGD 可以在秒级时间内找到最佳触发线设置。

速度： 它比传统的“猜猜看”方法（QGS）快了 4,000 倍。在他们的测试中，QGS 需要长达数小时（最高达 4.8 小时）才能找到解决方案，而 SRSGD 仅需眨眼之间即可完成。
准确性： 它不仅速度快，而且非常聪明。新方法在保持所需的犯罪抓捕比例（维持约 80% 的监管召回率）的同时，节省了与缓慢的穷举法同样的人力资源（Human Resource Savings）。
稳定性： 与有时会陷入停滞的随机步进法不同，这种新方法能够一致地找到最佳位置，即使是在混乱、不平整的数据景观中也是如此。

为什么这很重要

这篇论文并不声称已经永久解决了洗钱问题。罪犯总会试图智取系统。然而，这项研究表明，银行不必在“缓慢”与“聪明”之间做二选一。通过抚平数据的粗糙边缘，并使用一把公平对待拥挤和空旷区域的“尺子”，银行可以实时更新其安全规则。这意味着他们可以在不雇佣成千上万额外保安去检查无辜者收据的情况下，抓获更多的坏人，从而使金融系统既安全又高效。

简而言之，作者将一座崎岖、无法攀爬的山峰变成了一个平滑的滑道，让银行能在冲一杯咖啡的时间内，直接滑向完美的安全性设置。

技術摘要：透過平滑秩度量梯度下降法優化基於閾值的金融犯罪檢測

問題陳述

全球金融機構必須遵守監管機構（例如台灣金融監督管理委員會、美國 BSA/AML 檢查手冊）的規定，採用基於閾值（Threshold-based）的檢測系統進行反洗錢（AML）與打擊資恐（CTF）。這些系統若特定特徵（如交易頻率或累計金額）超過預設閾值，則會將交易標記為可疑交易（SAM）。

核心挑戰在於優化這些閾值。金融機構必須平衡三個相互競爭的目標：

召回率（Recall）： 捕捉監管要求的最低百分比之確認詐欺案例（SAR=1）。
精準度／營運成本（Precision/Operational Cost）： 最大程度減少偽陽性（False Positives, SAR=0）的數量，以降低人工審核成本（人力資源節省，即 HRS）。
動態適應性（Dynamic Adaptation）： 調整閾值以防止犯罪組織透過逆向工程破解並規避靜態規則。

這構成了一個離散優化問題。其損失函數（懲罰低召回率與高人工審核成本）是非微分且階梯狀的。傳統方法面臨重大障礙：

暴力枚舉法（Brute-force enumeration）： 由於可能的閾值組合會產生組合爆炸（在現實數據集中接近 $10^{20}$ ），計算上是不可行的。
分位數網格搜索（Quantile-Based Grid Search, QGS）： 這是業界常見的做法，雖然縮減了搜索空間，但仍呈現指數級複雜度（ $O(N^K)$ ）。實驗顯示，為了提高解的品質而增加粒度會導致極高的計算時間（例如數小時至數天），且無法保證收斂至全域最優解。
**模擬退火法（Simulated Annealing）**及其他元啟發式算法（Metaheuristics）：由於數據分布不均導致的「崎嶇」損失地形（Loss Landscape），往往會面臨收斂緩慢與不穩定性的問題。

方法論：平滑秩度量梯度下降法 (Smoothing Rank Scale Gradient Descent, SRSGD)

作者提出了 SRSGD，這是一種梯度下降優化框架，將離散的閾值選擇問題轉化為連續問題。該方法由三個關鍵組件組成：

1. 透過 Sigmoid 函數進行連續近似
為了實現梯度下降，離散的指示函數（用於判定交易是否超過閾值）被使用 Sigmoid 函數進行近似。

階梯函數 $x \geq t$ 被替換為 $\sigma(x, t) = \frac{1}{1 + e^{-M(x-t)}}$ ，其中 $M$ 控制陡峭程度。
用於監管場景的複雜布林邏輯規則（AND/OR 組合特徵）則使用這些 Sigmoid 激活函數的代數運算進行近似（例如：乘積代表 AND， $a + b - ab$ 代表 OR）。
這種轉換使得損失函數對於閾值參數是可微的，從而可以應用梯度下降法。

2. 秩度量轉換 (Rank-Scale Transformation)
作者發現的一個主要障礙是交易數據的分佈不均。大多數帳戶聚集在低價值區域，導致候選閾值之間的間隔極小；而稀疏區域則存在巨大的間隙。

問題： 在原始特徵空間中，這會導致極端的梯度變化。適合密集區域的學習率會在稀疏區域導致過衝（Overshooting），而適合稀疏區域的學習率在密集區域則會導致進展微乎其微。
解決方案： 作者引入了秩度量轉換。不再是在原始特徵空間中進行優化，而是在一個「秩空間（Rank Space）」中優化閾值，在該空間中，相鄰候選閾值之間的距離被歸一化為相等。這使整個搜索空間的梯度量級趨於一致，從而穩定了收斂並實現有效的學習率調優。

3. 基於分位數的初始化 (Quantile-Based Initialization)
為了避免在崎嶇的損失地形中陷入局部最優解，算法使用基於分位數的選擇來初始化閾值。這確保了在梯度下降過程開始前，起始點已在特徵空間中得到良好的分佈。

優化工作流
算法在連續的秩空間中執行梯度下降以尋找最佳閾值。一旦達到收斂，這些值會被映射回原始特徵空間，以確定最終部署的離散閾值。

主要貢獻

算法創新： 提出了 SRSGD，成功彌合了監管可解釋性（基於閾值的規則）與現代優化技術（梯度下降）之間的鴻溝。
處理離散損失： 開發了一種特定技術，利用 Sigmoid 近似與秩度量轉換來平滑離散、階梯狀的損失函數，解決了金融犯罪檢測中數據密度不均的特定挑戰。
效率： 證明了梯度下降法處理閾值優化問題的速度，比傳統的網格搜索或枚舉法高出數個數量級。

實驗結果

該方法使用來自兩家台灣金融機構（銀行 T 與銀行 L）在多種 AML 場景（如 TWN-A11-01, TWN-A1A-01）下的真實數據進行評估。

計算速度： SRSGD 相比於離散梯度法實現了 4,000 倍的加速，且表現顯著優於 QGS。QGS 每次優化運行需要 1,000 至 17,000 秒（數小時），而 SRSGD 僅需數秒即可完成任務。
性能指標： 在維持監管要求的召回率（例如 $\geq 80\%$ ）的同時，SRSGD 比 QGS 提供了更優異的人力資源節省（HRS）。
與基準對照： 在效率與泛化性能方面，該方法均優於標準梯度下降法（未使用秩度量轉換，稱為 SOSGD）以及模擬退火法。消融研究證實，秩度量轉換與基於分位數的初始化對於該方法的成功至關重要。

意義與主張

論文主張 SRSGD 為面臨監管合規與營運效率權衡的金融機構提供了一個具備實用性且可投入生產的解決方案。透過成功整合進合作銀行的 AML 系統，該框架證明了：

動態閾值調整在大規模場景下是可行的，使機構能夠在不產生高昂計算成本的情況下，適應不斷變化的犯罪行為。
可以在嚴格維持監管合規性（可解釋性與召回率）的同時，顯著降低與偽陽性相關的人工工作量（HRS）。
當損失地形經過適當的平滑與轉換時，梯度下降法在金融領域的離散優化問題中是可行的，並能提供優於窮舉搜索或啟發式方法的替代方案。

作者強調，此方法符合金融監督管理委員會的標準，提供了一種透明且具備可解釋性的金融犯罪檢測機制，而非依賴於「黑箱」機器學習模型，從而滿足嚴格的監管問責要求。