歡迎來到持續監控：確保客戶背景資料與時俱進
試想像一下：如果你買了一所房子，卻只在入伙當天檢查門鎖，往後五年再也不過問。即使社區環境變差，或門鎖已經磨損損壞，你也只有等到遭竊後才會察覺！在預防金融犯罪領域，反洗錢（AML）管控措施面臨的正是完全相同的挑戰。
客戶盡職審查（CDD）絕不能在客戶完成開戶流程後就戛然而止。客戶的情況隨時會變：一家本地的小零售店可能突然開始接收來自高風險司法管轄區的跨境電匯；企業擁有人可能成為政治人物（PEP）；或者公司董事可能因金融詐騙而遭到起訴。本章將介紹持續監控所採用的工具與技術策略：從過時的定期日曆審查邁向永久性 KYC（Perpetual KYC, pKYC）、善用負面媒體審查，以及執行高效的客戶批量審查。
註：其他相關課題，例如初期開戶身份驗證、即時支付審查，以及專屬的調查工具，均載於本單元的配套章節中。
---1. 定期更新 vs. 永久性 KYC（pKYC）
傳統模式：定期更新（Periodic Refresh）
在過去，合規計劃往往透過固定間隔的審查來維持最新的客戶記錄，這稱為定期更新。金融機構會根據客戶的初始風險評級，按照日曆制定的時間表進行審查：
• 高風險客戶：每 12 個月審查一次。
• 中風險客戶：每 2 至 3 年審查一次。
• 低風險客戶：每 3 至 5 年審查一次。
定期更新的問題：風險並不會按照日曆規律發生。如果一名中風險客戶在年度審查完成一個月後，被列入國際制裁名單或變更了實質受益權，該機構可能在長達 35 個月內對該風險渾然不知。此外，定期審查還會造成嚴重的運作瓶頸：分析員需要花費大量時間手動審核毫無變化且無異樣的低風險賬戶，導致工作嚴重積壓並浪費合規資源。
現代模式：永久性 KYC（pKYC）
永久性 KYC（pKYC）——亦稱為持續性或事件驅動型 KYC——以持續、動態的監控取代隨意指定的日曆日期。在 pKYC 機制下，每當發生觸發事件時，系統便會自動更新客戶的背景資料。
常見的觸發事件包括：
• 公司所有權結構、董事會成員或最終實質受益人（UBO）發生重大變更。
• 登記地址變更至高風險司法管轄區。
• 交易模式或交易對手出現重大突增或異常轉變。
• 觸發負面媒體預警或客戶被列入最新制裁名單。
• 交易監控系統產生內部呈報或可疑活動預警。
生動比喻：定期更新就像每三年做一次常規身體檢查；而永久性 KYC 則如同佩戴智能健康手環，時刻監測你的生命體徵，一旦檢測到異常指標，便會立即向醫生發出警報。
人工智能與機器學習在 pKYC 優先次序排序中的應用
全面轉向 pKYC 會帶來源源不斷的數據更新。為了避免合規人員淹沒在細微瑣碎的通報中，機構會應用人工智能（AI）與機器學習（ML）來進行基於風險的優先次序排序：
• 自動化處理低風險微幅變更（Delta Updates）：若低風險客戶僅是在同一地區內更改通訊地址，自動化規則或 ML 模型便能直接驗證並確認通過，無需人工介入。
• 優先處理高風險重大變更：若現有企業客戶突然任命了一位被識別為 PEP 的董事，AI 評分系統會將其標記為高優先級，並即時轉介予加強盡職審查（EDD）專家處理。
• 動態風險評分：演算法不再採用多年不變的靜態風險評級，而是根據持續的行為數據與外部資訊，近乎即時地動態重算客戶的風險評分。
核心要點：定期更新依賴日曆；永久性 KYC 則依賴事件與數據變化。AI 與 ML 能讓機構自動化處理次要的數據更新，同時迅速將重大風險事件呈報給人工分析員跟進。
---2. 負面媒體與不良新聞審查
甚麼是負面媒體審查？
負面媒體審查（亦稱不良新聞審查）是指檢索外部媒體資源的過程，以查明個人、實體或關聯人士是否牽涉金融犯罪、監管執法行動、貪腐、詐騙或名譽受損的不當行為。
負面媒體審查對於在個人被正式起訴或列入官方政府制裁名單之前及早識別新興風險至關重要。舉例來說，調查報道往往比監管機構開出罰單提前數月甚至數年揭露洗錢計劃與空殼公司網絡。
來源與數據類型
健全的持續審查系統會查詢多種不同維度的資訊層：
• 傳統新聞發布機構（全球主要報章、財經期刊、行業雜誌）。
• 地方與區域媒體（對識別二級市場的本土犯罪極為關鍵）。
• 監管機構執法公告與法院判決登記冊。
• 由專業情報供應商維護的結構化負面媒體數據庫。
克服營運挑戰：NLP 與 AI 的應用
單純使用普通的網絡搜尋引擎尋找負面新聞，會產生龐大數量的無關匹配（虛假警報／假陽性）。例如，搜尋名為 "John Smith" 的個人時，可能會傳回大量關於高中體育受傷、地方政治或完全無關的同名同姓人士的報道。
現代審查技術利用先進的語言工具來過濾噪音：
• 自然語言處理（NLP）：使軟件能夠閱讀並理解文章的語境上下文，有效區分誰是詐騙的作惡者、誰是詐騙的受害者，或只是撰寫該事件的記者。
• 情感與語義分析：評估詞彙的語氣與嚴重程度，將新聞歸類到特定的風險類別（例如賄賂、逃避制裁、販毒、稅務犯罪），而非單純判定為一般性的負面情緒。
• 實體擷取與消歧（Disambiguation）：比對關鍵的個人背景資料——例如年齡、關聯公司、國籍與居住地——以確認新聞標題中的 "John Smith" 是否確實為該機構的客戶。
核心要點：負面媒體審查能在風險演變成正式監管制裁或刑事定罪之前發出預警。NLP 與語義分析是從無關媒體雜音中篩選出真正金融犯罪指標的關鍵工具。
---3. 客戶批量審查（Customer Batch Screening）
批量審查的定義
支付審查側重於即時監控通過機構的單筆交易，而客戶批量審查則屬於持續性的偵測型管控措施。在批量審查中，機構會定期將其整個現有客戶群（包括實質受益人、獲授權簽署人及董事）與最新的監控名單進行系統性的比對篩查。
批量審查的運作原理
1. 名單更新：制裁機構與國際組織（例如聯合國、美國財政部海外資產控制辦公室（OFAC）及歐盟）會不斷發布制裁名單的修訂、新增與刪除資訊。
2. 數據庫比對：機構提取其客戶數據庫，與最新更新的名單進行自動化比對。
3. 增量審查（Delta Screening）vs. 全量批量審查（Full Batch Screening）：
• 全量批量：系統會將每位客戶與整份生效中的主名單重新比對一次（通常按固定週期運行，例如每週或每月）。
• 增量審查：系統僅將客戶數據庫與自上次運行以來制裁名單上的新增或修改內容進行比對。這能顯著降低系統處理負載，同時確保更新的即時性。
核心審查機制：模糊邏輯與名單管理
客戶批量審查不能單純依賴精確文本匹配。由於音譯差異、拼寫錯誤或文化命名習慣，客戶記錄與制裁名單中的姓名拼寫往往存在出入（例如 "Mohammad" 與 "Mohammed"，或 "Gaddafi" 與 "Qadhafi"）。
• 模糊邏輯匹配（Fuzzy-Logic Matching）：利用演算法識別近似匹配、常見語音變體、字母顛倒和別名。容差閾值必須精心調校：設定過於寬鬆會產生海量的假陽性預警；設定過於嚴格則可能漏掉真正的受制裁人士。
• 名單管理：包括接收、驗證、去重以及更新內部與外部監控名單的營運實踐。高質素的名單管理可確保廢棄項目及時封存歸檔，並在監管規定的時間內落實執行新增的制裁對象名單。
核心要點：批量審查會針對全新及修訂的名單重新核對現有客戶底冊。採用增量審查可大幅提升處理效率，而調校精準的模糊邏輯則能在偵測準確度與過多假陽性之間取得良好平衡。
---4. 數據質素與運作效能
數據質素：持續管控的基石
任何持續監控工具的效能——無論是 pKYC 引擎、負面媒體 NLP 網絡抓取器，還是批量審查系統——均嚴格受限於底層客戶數據的質素（即常說的「垃圾進，垃圾出」（garbage in, garbage out））。
關鍵的數據必備要素包括：
• 數據完整性與準確性：出生日期欄位缺失、法定姓名不完整或缺少公司註冊編號，都會妨礙模糊邏輯與 NLP 引擎準確識別身份。
• 數據分類標準與標準化：在不同核心銀行系統與產品系統之間標準化數據格式（例如 ISO 國家代碼、一致的地址欄位以及標準化的公司架構），是自動化審查引擎跨企業數據庫運作的必備條件。
• 數據可達性（Accessibility）：客戶記錄不能被困在孤立的部門孤島中。高效的 pKYC 要求持續監控工具能夠無縫從交易系統、開戶記錄及信貸登記冊中提取數據。
運作效能與預警疲勞（Alert Fatigue）
反金融犯罪（AFC）合規計劃面臨的一個持續營運威脅是預警疲勞。當審查配置每天產生數以千計的虛假預警時，合規分析員的警覺性便會逐漸鈍化，從而增加了因疏忽而誤放真實風險個案的可能性。
為了維持運作效能並將資源集中在風險最高之處：
1. 基於風險的優先排序：配置資深分析資源調查高風險事件（例如潛在的 OFAC 匹配、高層 PEP 任命），同時利用自動化驗證工具處理低風險的行政變更。
2. 閾值調校：定期評估模糊邏輯靈敏度與負面媒體關鍵字庫，確保審查工具符合機構核准的風險承受度聲明（Risk Appetite Statement, RAS）。
3. 反饋機制：將營運處理結果反饋至審查配置中，以優化過濾條件、壓制重複出現的非實質性虛假預警，並持續改進機器學習模型。
核心要點：持續監控工具有賴於乾淨、標準化且互通的數據基礎。透過精密的系統調校與基於風險的優先排序來防止預警疲勞，才能確保真正的金融犯罪威脅得以浮現並立即獲得處理。
---快速複習：核心概念
• 定期更新（Periodic Refresh）：以時間為導向、基於日曆的審查（例如 1 年、3 年或 5 年）。容易留下未察覺風險的空窗期，並導致審批工作積壓。
• 永久性 KYC（pKYC）：由事件驅動且持續進行。根據重大觸發事件（例如 UBO 變更、地域轉移、新浮現的負面媒體資訊）即時更新資料。
• AI/ML 在優先次序排序中的應用：協助將重大風險事件與日常行政資料變更區分開來，實現動態客戶風險評分。
• 負面媒體：利用自然語言處理（NLP）持續檢索新聞、法院記錄和監管登記冊，以便在正式制裁或刑事指控公佈之前及早偵測不良新聞。
• 客戶批量審查：利用增量運行與經過調校的模糊邏輯，定期自動將全體現有客戶數據庫與最新監控名單及制裁名單進行重新比對。
• 數據基石：高質素數據、清晰的分類標準以及打破數據孤島，是推行自動化持續監控工具不可或缺的前提條件。
常見考試陷阱與應試技巧
• 陷阱：以為「持續監控」僅指交易監控。
現實情況：在 CAMS 考試大綱中，持續監控涵蓋交易監控以及持續的客戶全生命週期管控，包括永久性 KYC、負面媒體重新審查以及批量名單篩查。
• 陷阱：認為永久性 KYC 意味著合規分析員每天都要持續人工審查該賬戶。
現實情況：pKYC 依賴自動化技術來整合內部與外部數據。只有當自動觸發閾值、重大增量變更或 AI 優先排序演算法識別出需要呈報的問題時，人工分析員才會介入跟進。
• 陷阱：認為模糊邏輯匹配應始終設定為最高靈敏度，以捕捉 100% 的文字變體。
現實情況：過於寬鬆的模糊邏輯閾值會引發海量的預警，令合規部門因應對虛假警報（預警疲勞）而陷入癱瘓，這會直接削弱整體運作效能。