1. 引言
约束与负面偏好是银行用户画像中负向信号驱动的防护性维度 。与其他画像维度（如产品偏好、金融目标）聚焦于"用户想要什么"的正向信号不同，约束与负面偏好回答的是三个反向问题------用户明确拒绝什么、用户客观上不能做什么、法律和隐私不允许系统做什么。它是画像体系的"安全护栏"：正向维度推动推荐系统"向前走"（推荐更多匹配产品），约束与负面偏好维度则确保推荐系统"不出格"（过滤掉不该推荐的内容）。
从优先级来看，约束与负面偏好的过滤规则通常具有最高的系统执行优先级：一个产品即使完美匹配用户的风险偏好、金融目标和产品偏好，只要它触发了 H1（产品拒绝记录）、H2（主题厌恶）、H3（资金/时间约束）或 H4（合规标签）中的任何一条硬过滤规则，就应被排除在推荐列表之外。H5（隐私敏感边界）则更多地决定推荐的力度与方式------从"正常推荐"到"轻推荐"到"不推荐"的渐进式降级。
在监管层面，约束与负面偏好维度具有特殊的合规地位。MiFID II 的适当性管理要求、中国《金融机构产品适当性管理办法》的"将适当产品卖给适当客户"原则、反洗钱法规的客户分类标签、《个人信息保护法》的隐私保护条款------这些法规共同构成了 H1-H5 的强制性法律基础。在学术层面，Kobsa 的用户模型隐私/限制组件理论、Kahneman 的损失厌恶与负面偏差理论、Brehm 的心理阻抗理论、Culnan & Armstrong 的隐私计算理论，为该维度的设计提供了坚实的理论支撑。在业界实践层面，蚂蚁财富的"绝不重复推荐已拒绝产品"原则、招商银行的隐私管理中心、工商银行的适当性管理引擎等，验证了该维度在合规风控与用户体验保护方面的核心价值。
本文以 Kobsa（2001）用户模型中的隐私/限制组件 和 Kahneman & Tversky（1979）前景理论中的损失厌恶 为核心理论框架，以 Brehm（1966）心理阻抗理论 和 Culnan & Armstrong（1999）隐私计算理论 为用户负面反应与隐私决策分析的方法论基础，从监管法规、学术研究、业界实践三个视角，为约束与负面偏好的每一个画像小类提供多维度的理论依据与合理性论证。
1.1. 理论基础
1.1.1. Kobsa 用户模型中的隐私与限制组件
Kobsa（2001）在 Generic User Modeling Systems 中，系统性地梳理了通用用户建模系统的架构，明确将隐私/限制组件（Privacy/Restriction Component） 定位为用户模型中与知识组件、偏好组件并列的独立建模维度。这一组件管理两类关键约束：
| 约束类型 | 定义 | 在手机银行场景中的体现 |
|---|---|---|
| 用户声明的限制（User-Declared Restrictions） | 用户主动表达的不希望系统执行的操作或推荐 | "不要推保险""不买基金""别给我发营销短信"------对应 H1（产品拒绝记录）、H2（主题厌恶）、H5（隐私敏感边界） |
| 系统施加的限制（System-Imposed Restrictions） | 系统基于法规、风控、业务规则等外部要求施加的约束 | 适当性管理禁止推荐的产品、反洗钱高风险客户的交易限制、产品购买门槛校验------对应 H3（约束条件）、H4（合规与监管标签） |
Kobsa 的核心贡献在于指出：用户模型中的限制组件具有最高的系统响应优先级------限制组件产生的约束是"硬约束"（Hard Constraints），在推荐系统中必须先于偏好组件的"软偏好"（Soft Preferences）执行过滤。这意味着，即使一个产品与用户偏好高度匹配，一旦触发限制组件中的任何一条硬约束，就必须从推荐结果中过滤------这正是 H1-H5 作为"画像体系安全护栏"的底层逻辑。
1.1.2. Kahneman & Tversky 前景理论与损失厌恶
Kahneman 与 Tversky 在 1979 年提出的前景理论（Prospect Theory）中，损失厌恶（Loss Aversion） 是最核心的发现之一：人们对损失的敏感度约为收益的 2.0-2.5 倍------即损失 100 元带来的痛苦，需要获得 200-250 元的快乐才能抵消。
这一理论对约束与负面偏好的关键指导：
- 负面偏好的信号强度远高于正面偏好：用户说"不要保险"（负面信号）的信息权重，远高于用户说"看看理财"（正面信号）------前者是强约束，后者是弱偏好。系统应将 H1-H2（拒绝与厌恶）的处理优先级大幅高于正面偏好信号；
- 误推荐的代价远高于漏推荐的代价：向一个明确拒绝过保险的用户再次推荐保险，造成的信任损伤远大于暂时没推荐一个可能喜欢的理财产品------根据损失厌恶，信任损伤的修复成本约为获得同等信任的 2-3 倍；
- "宁缺毋滥"是最优策略：在不确定性高的情况下（如用户负面信号明确但正面信号模糊），保守的推荐策略（少推或不推）比激进的推荐策略（尝试性推荐）更优。
1.1.3. Brehm 心理阻抗理论（Psychological Reactance Theory）
Brehm（1966）提出的心理阻抗理论（Psychological Reactance Theory）认为：当个体感知到自己的自由选择权受到威胁时，会产生一种不愉快的心理阻抗状态，并激发旨在恢复被威胁或剥夺的自由的行为。
该理论对手机银行推送的直接映射关系：
| 心理阻抗的触发条件 | 在手机银行场景中的体现 | 对应小类 |
|---|---|---|
| 自由的威胁（Threat to Freedom） | 系统反复推送用户已明确拒绝的产品品类 | H1（产品拒绝记录）------再次推荐已拒绝产品=自由的直接威胁 |
| 自由的剥夺（Elimination of Freedom） | 系统无视用户的"不要推送"选择，继续轰炸式营销 | H2（主题厌恶）+ H5（隐私敏感边界） |
| 阻抗的后果（Reactance Effects） | 用户产生负面情绪→卸载App/投诉/对品牌产生永久性负面态度 | H1-H5 的失效→用户流失与信任崩坏 |
心理阻抗理论的启示清晰而直接：对用户负面信号的尊重，不是"服务态度的加分项"，而是"避免触发用户心理阻抗的底线"。一旦用户表达了拒绝（H1-H2），系统立即停止相关推送，并在未来条件变化需要重新推荐时，以"尊重用户的第一次拒绝"为默认立场，仅在条件发生实质性变化（如用户主动询问或持有期超过 90 天）时，以试探性、低侵入性的方式重新推荐。
1.1.4. Culnan & Armstrong 隐私计算理论（Privacy Calculus Theory）
Culnan 与 Armstrong（1999）在 Information Privacy Concerns, Procedural Fairness, and Impersonal Trust: An Empirical Investigation 中提出了隐私计算理论（Privacy Calculus Theory）。该理论认为：个体在决定是否披露个人信息时，会进行隐性的"成本-收益"计算------当感知收益（如个性化服务、便利性）大于感知风险（如隐私泄露、信息滥用）时，个体愿意披露信息；当感知风险大于感知收益时，个体拒绝披露。
该理论对 H5（隐私敏感边界）的直接映射：
| 隐私计算的关键变量 | 在手机银行场景中的体现 |
|---|---|
| 感知收益（Perceived Benefits） | 精准的产品推荐、个性化的理财建议、便利的推送提醒 |
| 感知风险（Perceived Risks） | 行为被追踪的不适感、个人信息被滥用的担忧、收到骚扰营销的预期 |
| 程序公平（Procedural Fairness） | 用户是否被明确告知信息如何使用、是否拥有便捷的退出/拒绝渠道 |
| 非个人信任（Impersonal Trust） | 对银行机构整体的信任水平------大银行通常享有更高的初始信任，但一次隐私失信可能导致不可逆的信任损伤 |
隐私计算理论对 H5 画像设计的核心指导在于：系统不应假设所有用户对数据使用的容忍度相同------不同用户在同一银行平台上的"隐私计算"结果存在系统性差异。画像应动态追踪用户的隐私敏感水平（通过其是否主动关闭行为追踪、退订营销推送、拒绝数据授权等行为信号），并据此调整推荐力度------从"充分个性化"到"受限个性化"到"无个性化"的渐进式降级。
1.1.5. 其他相关理论基础
- Baumeister et al.（2001）------ 负面偏差（Negativity Bias）：心理学元分析研究表明，负面事件、负面情绪和负面信息在人类认知加工中具有比正面信息更强的权重和更持久的影响------"坏比好强"（Bad is stronger than good）。这一发现直接解释了 H1-H2 的优先处理原则：一次错误的"推送已拒绝产品"的负面影响，需要多次成功的个性化推荐才能抵消。
- Mayer, Davis & Schoorman（1995）------ 信任整合模型：信任由能力（Ability）、善意（Benevolence）和诚信（Integrity）三个维度构成。违反用户明确表达的负面偏好（H1-H2），直接损害善意和诚信两个维度，导致信任的全面降级。
- Rogers（1983）------ 保护动机理论（Protection Motivation Theory, PMT）：个体在面对威胁时会启动两种评估------威胁评估（这个威胁有多严重？我有多容易受到伤害？）和应对评估（推荐的防护措施有效吗？我能否执行？）。H5（隐私敏感边界）高的用户通常是高威胁评估+低收益感知者------需要更高标准的隐私保护措施。
- Westin（1967）------ 隐私分类理论：将消费者的隐私态度分为三类------隐私基要主义者（Privacy Fundamentalists，高度关注隐私、几乎不愿分享数据）、隐私实用主义者（Privacy Pragmatists，权衡利弊后决定是否分享）和隐私漠视者（Privacy Unconcerned，对隐私问题几乎不关心）。这一分类为 H5 画像的标签设计提供了直接的学术框架。
- 负反馈在推荐系统中的处理（Negative Feedback in Recommender Systems）：推荐系统研究中的"隐式负反馈"（如跳过、快速滑过、短暂停留后退出）和"显式负反馈"（如点击"不感兴趣"、明确拒绝）的处理策略------前者需要衰减权重，后者需要硬过滤。H1（产品拒绝）属于显式负反馈，H5（隐私敏感）可能表现为隐式负反馈。
2. 约束与负面偏好画像
参考：Kobsa (2001) privacy/restriction component; GDPR合规要求; 原方案"负面标签反哺"
| 小类 | 定义 | 从对话提取的信号示例 | 推荐映射 |
|---|---|---|---|
| H1 产品拒绝记录 | 明确拒绝过的产品及原因 | "不要保险""基金风险太大不买""之前买过亏了" | 硬过滤------已拒绝产品不再推荐，或仅在持有期>90天且条件实质性变化时谨慎重推 |
| H2 主题厌恶 | 不愿接触的话题类别 | "不想听股市""别推贷款""不谈投资" | 内容主题过滤------阻止相关主题的任何推送、内容展示和产品推荐 |
| H3 约束条件 | 资金/时间/合规等硬约束 | "最多投5万""3个月内要用钱不能锁定期""每月只能拿出2000" | 产品属性硬过滤------门槛、期限、流动性不匹配的产品自动排除 |
| H4 合规与监管标签 | 监管要求的客户分类标签 | 适当性管理标签、反洗钱标记、风险等级限制 | 合规前置过滤------不适当产品不可进入推荐候选池；高风险客户触发额外审查 |
| H5 隐私敏感边界 | 用户对信息使用的容忍度 | "不要追踪我的交易""不想收到营销短信""别分析我的数据" | 推荐力度衰减------从充分个性化到受限个性化到无个性化的渐进式降级 |
2.1. H1 产品拒绝记录（Product Rejection Record）
产品拒绝记录是画像中最高执行优先级的硬过滤信号------它记录了用户曾经明确拒绝过的产品品类或具体产品及其拒绝原因。其核心原则是"一次明确拒绝，长期尊重，仅在条件变化时谨慎重问"。
| 依据维度 | 具体说明 |
|---|---|
| 监管法规 | ① 《金融消费者权益保护实施办法》 ：金融机构应当尊重消费者的自主选择权，不得强制交易或变相强制交易。当消费者明确拒绝某产品后，系统继续推送该品类产品，可能构成"变相强制交易"的风险------消费者的"不"应具有法律意义上的效力。 ② 《金融机构产品适当性管理办法》（2025） ：要求金融机构将适当产品通过适当渠道销售给适合的客户。客户明确拒绝某产品，本身就构成了"不适当"的强烈信号------产品即便在风险等级上匹配，但如果客户主观上不愿接受，"适当性"的前提就不成立。 ③ 欧盟 MiFID II Article 25(2) ：适当性评估要求投资服务提供者充分了解客户的投资知识和投资经验。如果客户明确表示对某类产品"不熟悉"或"不信任"，这本身就是投资经验的负面信号，系统应将此纳入适当性判断。 ④ 中国证监会《证券期货投资者适当性管理办法》 ：要求经营机构根据投资者的风险承受能力推荐产品。客户明确拒绝某类产品（如"基金风险太大不买"），直接反映了其对该品类的主观风险承受意愿为零------即便客观风险承受能力允许，主观意愿的拒绝也应当被尊重。 ⑤ 《消费者权益保护法》第9条：消费者享有自主选择商品或者服务的权利。消费者有权自主决定购买或者不购买任何一种商品------明确拒绝的记录就是消费者行使"不购买权"的法律证据。 |
| 学术研究 | ① Brehm（1966）------ 心理阻抗理论 ：当系统在用户明确拒绝后继续推荐同一品类产品时，用户感知到的是"自己的拒绝被无视"------这是一种对自由选择权的直接威胁，必然触发心理阻抗。阻抗的后果包括：对该产品的负面态度进一步强化、对平台的总体信任下降、更激进的拒绝行为（如卸载App）。 ② Baumeister et al.（2001）------ 负面偏差 ：一条负面信息的心理权重约为正面信息的 3-5 倍。用户对"被拒绝后又看到同类推荐"的负面记忆，会在多次正面体验之后依然留存------"坏比好强"意味着一次违反拒绝记录的推荐，可能抵消此前多次成功推荐的信任积累。 ③ Mayer et al.（1995）------ 信任整合模型中的诚信维度 ：当系统无视用户的明确拒绝继续推送时，用户在"诚信"维度上对平台的评价会显著下降------"这家银行说了不算""我说'不'他们根本不理"------这种诚信损伤的修复周期非常长（通常需要 3-6 个月无违规记录）。 ④ 负反馈在推荐系统中的"遗存效应"（Legacy Effect） ：推荐系统研究表明，用户的明确拒绝信号应产生持久的过滤效应------不仅应在拒绝后立即生效，还应在后续时间段内持续生效。但这一效应不应是"永久固化"的------用户的态度可能随时间发生变化（如"以前觉得基金风险太大，现在了解了货币基金觉得可以试试"）。H1画像需要在"持久性"与"可更新性"之间寻找平衡。 ⑤ 服务补救理论（Service Recovery Theory, Tax & Brown, 1998）：当服务失败发生后（如错误地向拒绝用户推荐已拒绝产品），有效的服务补救（如即时道歉、承诺不再推送、提供便捷的反馈渠道）可以部分修复信任损伤，但完全恢复到服务失败前的信任水平通常困难------"预防优于补救"是处理 H1 的核心原则。 |
| 业界实践 | ① 蚂蚁财富"绝不重复推荐"原则 ：当用户在产品详情页点击"不感兴趣"或在客服对话中明确拒绝某品类后，该品类进入"永久过滤池"，在用户主动搜索该品类或持有期超过 180 天之前，绝不在任何推荐位出现。这是行业中最严格的 H1 处理策略。 ② 招商银行"拒绝记忆与条件重推" ：系统记录每次拒绝的品类、时间、原因（如有），并为每个拒绝条目设置"冷却期"------保险类拒绝冷却期 180 天，基金类拒绝冷却期 90 天，贷款类拒绝冷却期 60 天。冷却期过后，仅在检测到潜在信号变化时（如用户主动浏览该品类信息），以极低频率再次尝试推荐。 ③ Netflix"不感兴趣"即永久过滤 ：Netflix 的推荐算法对用户标记为"不感兴趣"的内容执行永久过滤，确保该内容不会再出现在任何推荐位------这一策略在金融场景同样适用：用户对"保险""贷款"等敏感品类的拒绝，应比用户对一般内容的拒绝更受尊重。 ④ 平安银行"拒绝原因挖掘" ：在收集用户的拒绝信号时，尽可能同时收集拒绝原因（通过选项："不感兴趣""风险太大""之前买过亏了""不在规划内"），不同原因触发不同的重推策略------"之前买过亏了"的拒绝比"不感兴趣"的拒绝更持久（因为关联了负面体验记忆），"不在规划内"的拒绝可能在用户目标状态变化后（如 D4 状态演变）自然解除。 ⑤ 富达投资（Fidelity）"选择性撤回"：用户可在"推荐偏好中心"查看系统已记录的拒绝品类列表，并可随时撤销某一条拒绝记录------将控制权交还给用户，降低心理阻抗："不是系统不让我看，是我自己选择不看，并且随时可以改。" |
2.2. H2 主题厌恶（Topic Aversion）
主题厌恶比产品拒绝（H1）的范围更广------它不仅过滤特定产品，还过滤与该主题相关的任何内容（资讯、广告、教育内容、推送通知等）。用户可能对"股市""贷款""保险""数字货币"等整个主题领域持有负面态度，系统必须在所有触达渠道中全面尊重这种厌恶。
| 依据维度 | 具体说明 |
|---|---|
| 监管法规 | ① 《金融消费者权益保护实施办法》 ：金融机构不得采用引人误解的营销手段诱导消费者购买不适当的金融产品。当消费者对某主题表示厌恶时（如"不想听股市"），继续推送该主题的资讯或产品，可能构成"引人误解的营销"------消费者被暴露在其明确不愿接触的信息中。 ② 《个人信息保护法》第24条 ：通过自动化决策进行信息推送，应当提供不针对个人特征的选项或拒绝方式。如果用户已表达对某主题的厌恶，系统继续基于行为画像推送该主题内容，则属于未提供"不针对个人特征"的选项------用户有权拒绝接收特定主题的推送。 ③ 《数据安全法》 ：数据处理应当遵循诚信原则。明知用户厌恶某主题却继续推送，违背了这一原则------"诚信"不仅涉及数据的合法使用，也涉及对用户表达意愿的尊重。 ④ 中国银保监会关于老年人金融服务的指导意见：老年客户可能对高风险投资话题（如"炒股""期货"）具有更强的主题厌恶心理------银行应识别并尊重这种主题偏好，避免通过过度推送引发老年人的焦虑情绪。 |
| 学术研究 | ① 情感泛化理论（Emotional Generalization Theory） ：心理学研究表明，个体对特定产品或事件的负面情绪，会"泛化"到整个相关主题领域------如一次炒股亏损经历可能不仅导致对"股票"的拒绝，还会扩展到对"基金""券商理财"等相关主题的回避。H2（主题厌恶）正是对这种"情感泛化"的结构化捕捉。 ② 选择性接触理论（Selective Exposure Theory, Festinger, 1957） ：个体倾向于接触与自身态度一致的信息，回避与自身态度不一致的信息（认知失调回避）。当用户对"保险"主题持有负面态度时，系统推送的任何保险相关内容都会被选择性过滤------不仅不会产生转化，还会因为强行打破用户的"信息茧房"而产生反感。 ③ 条件性恐惧泛化（Conditioned Fear Generalization） ：行为学习理论中的"刺激泛化"现象------个体对某一特定刺激的负面条件反应，会扩散到与该刺激相似的刺激上。金融领域的典型表现：用户在 P2P 平台踩雷后，可能对所有"非银行存款类理财"产生泛化厌恶。 ④ 道德基础理论（Moral Foundations Theory, Haidt, 2012） ：部分主题厌恶来源于道德判断而非理性分析------如对"高利贷"的道德厌恶、对"赌博式投资"的伦理反感。这类主题厌恶通常不可通过信息教育消除，系统应将其视为"价值性硬约束"而非"知识性软偏见"。 ⑤ 认知负荷与信息回避（Cognitive Load & Information Avoidance）：研究表明，当用户处于高认知负荷状态（如财务压力期间），会产生主动的信息回避行为------"不想听股市""别推贷款"可能反映的是用户当前的信息处理能力不足，而非永久性厌恶。H2画像需要区分"情境性厌恶"（与当前认知负荷相关）和"价值观厌恶"（与深层信念相关）。 |
| 业界实践 | ① 蚂蚁财富"主题屏蔽" ：用户可在"内容偏好"设置中自主勾选不希望接收的主题（保险、贷款、基金、股票、数字货币等），勾选后该主题的所有资讯、产品推荐、推送通知在全平台全面屏蔽------这是最彻底的 H2 实现方式，也将控制权交还给用户。 ② 招商银行"敏感主题识别与抑制" ：当智能客服在对话中检测到用户的主题厌恶表达（如"别提股市"），系统自动为该用户标记该主题的"厌恶标签"，后续在所有触点（App首页、推送、短信、客服话术）中过滤该主题，并标注原因供人工复核。 ③ 微信"朋友圈广告偏好" ：用户可在广告设置中关闭特定行业的广告投放------金融、保险、贷款等行业广告均可单独关闭。这一模式为手机银行的 H2 管理提供了直接的产品形态参照。 ④ 今日头条"不感兴趣"粒度控制 ：用户可对单条内容标记"不感兴趣"，系统提供细化选项------"不感兴趣：这个作者 / 这类内容 / 这个主题"------让用户自主控制厌恶范围。手机银行可借鉴此模式，允许用户指定厌恶的粒度（仅该产品 vs 该品类 vs 该主题）。 ⑤ 富达投资（Fidelity）"价值观对齐"：在客户开户流程中，通过"ESG投资偏好"等问卷题项，间接了解客户的主题价值观------如客户表达了对"化石能源""军工"等行业的道德反感，系统会将该主题排除在推荐范围之外。这种"价值观主题厌恶"的处理优先级与 H1（产品拒绝）同等。 |
2.3. H3 约束条件（Hard Constraints）
约束条件是用户客观存在的资金、时间和流动性硬限制------不是"我不想"（H1/H2），而是"我不能"。这些约束通常可量化为具体数值（金额上限、最短持有期、每月可投金额等），并直接映射到产品的可量化属性（起投门槛、锁定期、流动性等级等），实现自动化的硬过滤。
| 依据维度 | 具体说明 |
|---|---|
| 监管法规 | ① 《金融机构产品适当性管理办法》（2025） ：要求金融机构确保产品与客户的财务状况、投资期限匹配。H3 是"财务状况"和"投资期限"的直接映射------客户说"最多投5万"意味着产品门槛不得超过5万，客户说"3个月内要用钱"意味着产品期限不得超过3个月。 ② 中国证监会《证券期货投资者适当性管理办法》 ：要求了解投资者的"投资期限"和"拟投资金额"。H3 中的"时间约束"和"资金约束"正是这两个法规采集项的画像化表达。 ③ MiFID II Suitability Requirements ：投资服务提供者必须评估推荐的适当性，包括客户的"financial situation"（财务状况）和"ability to bear losses"（承受损失的能力）。资金约束（"最多投5万"）直接影响承受损失的能力上限。 ④ 中国人民银行《金融消费者权益保护实施办法》 ：要求金融机构根据消费者的财务状况推荐适合的产品。如果消费者表示"每月只能拿出2000"，银行为其推荐起投门槛1万元的产品即构成不当推荐。 ⑤ 中国银保监会关于"过度负债"的监管精神：要求银行审慎评估客户的负债水平和还款能力，避免过度授信。H3 中的资金约束信息是审慎评估的重要输入------客户说"每月只能拿出2000"，意味着其可用于新增金融产品的资金有限，银行应据此控制推荐产品的金额和频次。 |
| 学术研究 | ① 流动性约束理论（Liquidity Constraint Theory） ：经济学中的流动性约束理论认为，当家庭面临流动性限制（如无法在短期内变现资产、无法获得信贷）时，其消费和投资行为会显著偏离最优决策。H3 中的时间约束（"3个月内要用钱"）正是流动性约束的直接体现------系统不应向流动性紧张的用户推荐锁定期产品。 ② 预算约束理论（Budget Constraint Theory） ：微观经济学的基本框架------消费者在预算约束下最大化效用。H3 中的资金约束（"最多投5万""每月2000"）为用户画像引入了"预算线"------系统推荐的产品组合必须在用户的预算线内。 ③ 心理账户理论（Mental Accounting, Thaler, 1985） ：用户将资金划分到不同的"心理账户"中------"这是应急的""这是买房的首付""这是日常开销的"。H3 中的约束条件（如"3个月内要用"）反映了用户的心理账户划分------系统应尊重这一划分，不应推荐跨越心理账户边界的产品。 ④ 时间一致性理论（Time Consistency Theory） ：个体的时间偏好可能存在不一致------当下更看重即时满足，未来更看重长期规划。H3 中的时间约束（如"3个月内要用"）反映的是用户的短期时间偏好，系统应以当下的声明为准（而非假设用户未来会改变主意）。 ⑤ 能力-机会-动机行为模型（COM-B Model, Michie et al., 2011）：行为的发生需要能力（Capability）、机会（Opportunity）和动机（Motivation）三者同时具备。H3 约束条件直接影响"能力"维度------即使有动机购买产品、有机会接触产品，如果资金或时间上不"能"，行为就不会发生。系统应避免推荐用户"不能"购买的产品。 |
| 业界实践 | ① 蚂蚁财富"目标投"约束校验 ：用户设置攒钱目标时，系统强制要求输入"目标金额"和"目标期限"，这两个参数成为后续所有推荐的核心约束------不符合金额和期限的产品自动过滤。当用户试图设置超过其历史可支配收入水平的金额时，系统弹出提醒。 ② 招商银行"智能门槛过滤" ：在推荐引擎的后处理环节，系统根据用户的资金约束参数（来自KYC问卷、对话提取、行为推断），自动过滤掉起投门槛超出用户能力的产品------如用户表示"最多投5万"，起投门槛10万的信托产品被自动过滤。 ③ Vanguard"财务能力评估" ：在用户首次设定投资目标时，系统通过问卷评估用户的月均可投资金额和投资期限，这两个参数成为后续所有产品推荐的硬约束------不符合的产品无法出现在用户的搜索结果和推荐列表中。 ④ 工商银行"流动性匹配引擎" ：根据用户的资金使用计划（如"3个月后付首付""1年后孩子上学"），自动匹配相应期限的产品------计划3个月后使用的资金，只推荐T+0或1个月内的超短期产品；计划1年后使用的资金，可推荐1年期以内的产品。 ⑤ 京东金融"收支分析+推荐限额"：通过分析用户的银行流水和消费记录，推算出用户的月均可支配资金（收入-固定支出-必要消费），并以此作为"可投金额上限"------系统自动设定推荐产品的金额上限，超过此上限的产品不推荐。 |
2.4. H4 合规与监管标签（Compliance & Regulatory Tags）
合规与监管标签是法律和监管框架施加的系统级硬约束------它不是来自用户的表达，而是来自外部法规的强制要求。这类标签具有最高的系统执行优先级和不可协商性：任何推荐决策都不能绕过合规标签的过滤。
| 依据维度 | 具体说明 |
|---|---|
| 监管法规 | ① 《金融机构产品适当性管理办法》（2025） ：这是 H4 最直接的法律来源。该办法要求金融机构建立完整的适当性管理体系------将产品按风险等级分为 R1-R5，将客户按风险承受能力分为 C1-C5，只有产品风险等级≤客户风险承受能力等级时，才能推荐。这是 H4 中"适当性管理标签"的核心------不适当产品的推荐通道必须在系统层面物理关闭。 ② 中国证监会《证券期货投资者适当性管理办法》 ：要求经营机构对普通投资者和专业投资者进行分类管理。普通投资者（占绝大多数手机银行用户）有更多的保护性安排------如冷静期、更严格的信息披露要求、禁止主动推荐高风险产品等。 ③ 反洗钱法规体系 ：《反洗钱法》及中国人民银行的配套规章，要求金融机构对客户进行洗钱风险分类------高风险客户可能面临交易金额限制、产品类型限制、交易频率限制等合规约束。H4 中的"反洗钱标记"直接驱动产品推荐范围的收缩。 ④ 联合国/OFAC 制裁名单合规 ：金融机构不得为制裁名单上的个人或实体提供服务。H4 中的"制裁名单标记"是绝对硬约束------一旦命中，该客户的所有金融产品推荐通道应立即关闭，触发人工合规审查流程。 ⑤ MiFID II 客户分类体系：MiFID II 将客户分为零售客户（Retail Client）、专业客户（Professional Client）和合格对手方（Eligible Counterparty）三个层级------零售客户享有最高级别的保护，可投资产品范围最窄；专业客户可投资产品范围更广。H4 中的"客户分类标签"直接决定推荐产品的可选范围大小。 |
| 学术研究 | ① 监管科技（RegTech）与合规自动化 ：学术文献中关于监管科技（Regulatory Technology）的研究强调，合规规则应被编码为可自动执行的"规则引擎"------H4 本质上是一个将监管法规映射为可计算规则的翻译层。规则引擎的输出是二元的（匹配/不匹配），而非连续的（95%匹配），这与推荐算法中基于相似度的软性排序完全不同。 ② 风险为本的反洗钱方法（Risk-Based Approach, RBA） ：FATF（金融行动特别工作组）推荐的风险为本方法，要求金融机构根据客户的洗钱风险水平实施差异化的管控措施。H4 中的"反洗钱风险等级标签"正是 RBA 在用户画像中的落地------高风险客户对应更严格的推荐限制。 ③ 分类理论中的"不可穿透边界" ：用户画像研究中的分类理论指出，某些分类标签构成"不可穿透边界"------不同标签之间的行为权限差异不能通过时间推移或行为改善而自然消解（需要重新评估）。H4 中的合规标签正是这类"不可穿透边界"------反洗钱高风险客户不能因为长时间未触发再次筛查就自动降级。 ④ 算法公平性与合规标签 ：AI伦理研究表明，合规标签的使用需要特别注意算法公平性------不能因为某用户被标记为某合规类别（如高风险地区客户），就在其未被证实的假设下限制其基本金融服务。H4 的执行需要区分"绝对禁止"和"条件性限制"。 ⑤ 合规成本与用户体验的权衡：过多的合规标签和过严的过滤规则会导致"过度合规"------大量实际上适合的产品被错误过滤。H4 的配置需要在"合规安全性"与"推荐覆盖率"之间寻找平衡------监管要求是最低标准，但不应盲目上浮。 |
| 业界实践 | ① 工商银行"适当性管理引擎" ：将《金融机构产品适当性管理办法》的要求转化为规则引擎------产品 R1-R5 等级与客户 C1-C5 等级自动匹配，R4 产品绝不出现在 C2 客户的推荐列表中；C1（保守型）客户只能看到 R1 产品（存款、货币基金）。 ② 招商银行"反洗钱风险画像" ：基于客户的交易行为、地域特征、职业背景等维度，生成反洗钱风险评分------高风险客户自动限制大额理财产品、跨境汇款产品、复杂衍生品的推荐和交易权限，并触发额外的交易监控。 ③ 蚂蚁财富"投资者分类体系" ：根据监管要求将用户分为"普通投资者"和"专业投资者"------普通投资者在产品购买流程中必须经过风险提示确认、冷静期等保护性步骤；专业投资者可跳过部分步骤但需提供资产证明和投资经验证明。 ④ 平安银行"制裁名单实时筛查" ：在每次产品推荐和交易确认前，对客户进行制裁名单实时筛查------命中制裁名单的客户，所有推荐通道立即关闭，交易暂停，转入人工合规审核流程。这是 H4 中唯一没有"灰度空间"的绝对硬约束。 ⑤ 瑞银（UBS）"跨境合规矩阵"：对于跨国客户，瑞银维护一个多司法管辖区的合规矩阵------同一客户在不同国家/地区受不同法规约束（如美国客户受 SEC 规则约束、新加坡客户受 MAS 规则约束），系统根据客户所在地自动切换适用的合规规则集和产品推荐范围。 |
2.5. H5 隐私敏感边界（Privacy Sensitivity Boundary）
隐私敏感边界捕捉的是用户对个人信息被采集、分析和使用的容忍度阈值------它是画像体系中唯一一个不产生"硬过滤"而是产生"推荐力度衰减"的维度。用户按隐私敏感度从低到高，系统从"充分个性化"逐步降级为"受限个性化"直至"无个性化"。
| 依据维度 | 具体说明 |
|---|---|
| 监管法规 | ① 《个人信息保护法》第13-17条 ：处理个人信息应当取得个人在充分知情的前提下自愿、明确作出的同意；个人有权随时撤回同意。H5 是用户行使"同意权"和"撤回权"的画像化表达------用户在隐私设置中的每一次"关闭"，都是对特定数据处理活动的撤回同意。 ② 《个人信息保护法》第24条 ：通过自动化决策进行信息推送和商业营销，应当同时提供不针对个人特征的选项，或者向个人提供便捷的拒绝方式。H5 中的"隐私敏感"用户有权拒绝针对其个人特征的个性化推荐------系统必须提供"关闭个性化推荐"的功能。 ③ 《个人信息保护法》第44条 ：个人对其个人信息的处理享有知情权、决定权，有权限制或者拒绝他人对其个人信息进行处理。H5 是用户行使"限制权"和"拒绝权"的具体体现。 ④ GDPR Article 6-7 ：数据处理必须有合法基础（同意、合同必要性、法律义务、重大利益、公共利益、正当利益），且同意必须是自由给出的、具体的、知情的和明确的。撤回同意必须与给出同意一样容易。 ⑤ 《金融消费者权益保护实施办法》：要求金融机构在收集、使用消费者金融信息时，应当遵循合法、正当、必要原则，经消费者明示同意。H5 高的用户倾向于给出更窄的授权范围------系统应将其画像使用限制在用户明确授权的范围内。 |
| 学术研究 | ① Culnan & Armstrong（1999）------ 隐私计算理论 ：用户是否愿意分享个人信息，取决于其对"收益-风险"的隐性计算。H5 本质上是"感知收益/感知风险"比值的画像化------比值高时用户接受个性化服务（低隐私敏感），比值低时用户拒绝数据分享（高隐私敏感）。系统应帮助用户提升感知收益（如透明展示"因为您授权了XX数据，我们才能为您提供YY服务"），而非试图降低感知风险（这是用户的合法感受）。 ② Westin（1967）------ 隐私态度三分类 ：将消费者分为隐私基要主义者（约25%，几乎不愿分享任何数据）、隐私实用主义者（约55%，权衡利弊后决定是否分享）和隐私漠视者（约20%，对隐私问题几乎不关心）。H5画像可沿此三分类建立初始标签，再根据用户的实际隐私行为（如授权/拒绝比例）动态微调。 ③ Petronio（2002）------ 传播隐私管理理论（Communication Privacy Management, CPM） ：个体通过"隐私边界"管理私人信息的流入与流出，选择披露信息时，他们在自己与信息接收者之间建立"共同隐私边界"。H5高的用户对"共同隐私边界"的宽度控制更严格，只愿意与银行分享最必要的信息（如交易记录），不愿意银行将其信息用于画像分析和个性化推荐。 ④ 信任转移理论（Trust Transfer Theory） ：用户对银行线下实体分支机构的信任，并不自动转移给银行的数字化服务------尤其是涉及行为追踪和画像分析的功能。H5 高的用户通常对线下银行的信任较高，但对线上数据使用的信任较低------这种"信任割裂"需要银行通过透明度沟通（如"您的数据如何被使用"可视化报告）来弥合。 ⑤ 个性化-隐私悖论（Personalization-Privacy Paradox）：研究表明，消费者一方面期待个性化服务（"懂我的推荐"），另一方面又对数据采集感到不安（"他们在监视我"）。H5 画像的核心价值在于：为每个用户找到其"个性化-隐私"的最佳平衡点------允许隐私敏感度高的用户降低推荐精度以换取隐私安心感，允许隐私敏感度低的用户享受高精度推荐。 |
| 业界实践 | ① 招商银行"隐私管理中心" ：在App设置中提供统一的隐私偏好管理页面------用户可自主开关：个性化推荐、行为数据采集、位置信息使用、营销短信推送等，每个开关有清晰的说明"如果您关闭此项，我们将无法为您提供..."。开关状态直接映射为 H5 画像的推荐力度衰减参数。 ② Apple"App Tracking Transparency" ：苹果的ATT框架------当App想要追踪用户行为时，必须弹窗请求用户授权。用户选择"要求App不追踪"（Ask App Not to Track）时，该App的所有行为追踪和分析必须停止。手机银行同样需遵循此框架。 ③ 蚂蚁财富"个性化推荐开关" ：在App内提供一键开关"个性化推荐"的功能------关闭后，系统停止基于用户画像的推荐，改为展示通用的热门产品排行榜。这是一个典型的"不针对个人特征的选项"，完全符合个人信息保护法的要求。 ④ 微信"广告个性化管理" ：微信在广告设置中提供"个性化广告推荐"开关------关闭后用户仍看到广告，但不再与个人兴趣相关。手机银行的 H5 管理可借鉴此模式：关闭画像后用户仍看到产品展示，但按全平台热榜展示而非个人画像推荐。 ⑤ 欧洲银行（如ING、BNP Paribas）"渐进式授权"：在注册和后续使用中，分阶段、分场景地请求数据授权------首次注册仅请求必要信息，用户使用某个功能时才弹出该功能所需的额外授权请求。这种"渐进式授权"降低了用户的一次性决策压力，也使得 H5 画像可以更精细地刻画用户对不同类型数据的差异化容忍度。 |
3. 综合依据
3.1. 依据 1：监管法规------负面偏好与约束是适当性管理和隐私保护的强制维度
| 法规/标准 | 核心要求 | 与该维度的关系 |
|---|---|---|
| 《金融机构产品适当性管理办法》（2025） | 将适当产品通过适当渠道销售给适合的客户；产品风险等级与客户风险承受能力必须匹配 | H1（拒绝=不适当信号）+ H3（资金/时间约束=适当性判断参数）+ H4（合规标签=强制性适当性过滤） |
| 《个人信息保护法》（2021）第13-17、24、44条 | 处理个人信息须取得知情同意，用户有权撤回同意和拒绝自动化决策 | H5（隐私敏感边界=用户行使同意权/撤回权/拒绝权的画像化表达） |
| 《证券期货投资者适当性管理办法》（2017） | 了解投资者的投资目标、投资期限、投资经验和风险承受能力 | H3（约束条件=投资期限和拟投资金额的画像化）+ H4（投资者分类标签） |
| 《反洗钱法》及配套规章 | 对客户进行洗钱风险分类，高风险客户限制特定交易类型 | H4（反洗钱标记=交易和产品类型限制的前置条件） |
| 欧盟 MiFID II Article 25(2) | 获取客户的投资知识、投资经验、财务状况和投资目标，确保推荐的适当性 | H1（产品拒绝=投资经验和意愿的负面信号）+ H3（约束条件=财务状况）+ H4（客户分类标签） |
| 欧盟 GDPR Article 6-7, 22 | 数据处理必须有合法基础；数据主体有权不受仅基于自动化决策的约束 | H5（隐私敏感边界------尊重用户的拒绝自动化决策权和数据处理的撤回同意权） |
结论：约束与负面偏好是法规合规要求最密集的画像维度，H1-H5 均直接映射到 MiFID II、《金融机构产品适当性管理办法》《个人信息保护法》、反洗钱法规等法律的具体条款。合规不是H维度的"可选增强项"，而是它存在的根本前提。
3.2. 依据 2：学术文献------负面信号优先处理与隐私自适应是用户建模的核心原则
| 文献 | 核心观点 | 对应小类 |
|---|---|---|
| Kobsa（2001）------ Generic User Modeling Systems | 用户模型中的隐私/限制组件是独立维度，具有最高系统响应优先级------限制约束是"硬约束"，偏好的匹配是"软偏好" | H1-H5（整体框架------限制组件优先级高于偏好组件） |
| Kahneman & Tversky（1979）------ Prospect Theory | 损失厌恶：损失的感知强度约为收益的 2-2.5 倍；负面信号的权重远高于正面信号 | H1+H2（负面信号优先处理原则的理论基础） |
| Brehm（1966）------ Psychological Reactance Theory | 当自由受到威胁时，个体产生心理阻抗并激发恢复自由的行为 | H1+H2（再次推荐已拒绝产品触发心理阻抗的学术机制） |
| Baumeister et al.（2001）------ Negativity Bias | "坏比好强"------负面信息的心理权重是正面信息的 3-5 倍，且影响更持久 | H1+H2（违反拒绝记录的信任损伤难以修复的根本原因） |
| Culnan & Armstrong（1999）------ Privacy Calculus | 隐私决策 = 感知收益 - 感知风险；程序公平增加信息披露意愿 | H5（隐私计算=画像数据授权意愿的底层决策模型） |
| Westin（1967）------ 隐私态度三分类 | 消费者分为隐私基要主义者、隐私实用主义者和隐私漠视者 | H5（隐私敏感度分层标签的理论来源） |
| Mayer et al.（1995）------ Trust Integration Model | 信任由能力、善意、诚信三维构成；违反负面偏好损害善意和诚信 | H1+H2（违反拒绝记录的信任损伤路径分析） |
| Petronio（2002）------ Communication Privacy Management | 个体通过"隐私边界"管理信息流入流出；边界宽度因人而异 | H5（用户的"共同隐私边界"管理偏好） |
| Thaler（1985）------ Mental Accounting | 资金被划分到不同心理账户，跨账户移动受到内部约束 | H3（资金约束背后的心理账户划分） |
| Tax & Brown（1998）------ Service Recovery | 服务失败后的有效补救可部分修复信任，但完全恢复困难------"预防优于补救" | H1（违反拒绝记录后服务补救的局限性） |
3.3. 依据 3：业界实践
| 机构 | 实际做法 | 对应小类 | 参考来源 |
|---|---|---|---|
| 蚂蚁财富"绝不重复推荐" | 拒绝品类进入永久过滤池，仅用户主动搜索或持有期>180天才可能解除 | H1 | 阿里云开发者社区(2020)；蚂蚁科技MPS使用指南(2025) |
| 招商银行"拒绝记忆与条件重推" | 记录每次拒绝的品类/时间/原因，设置差异化冷却期（保险180天/基金90天/贷款60天） | H1 | SAS《招商银行智能营销时代》(2017) |
| 平安银行"拒绝原因挖掘" | 收集拒绝原因细分（不感兴趣/风险太大/之前亏过/不在规划内），不同原因不同重推策略 | H1 | 平安科技"玲珑心智能对话平台"；百度AI(2024) |
| 蚂蚁财富"主题屏蔽" | 用户可自主勾选不希望接收的主题，全平台全面屏蔽 | H2 | 阿里云开发者社区(2020) |
| 招商银行"敏感主题识别与抑制" | 智能客服检测主题厌恶表达→自动标记→全触点过滤 | H2 | SAS《招商银行智能营销时代》(2017)；新浪财经(2025) |
| 蚂蚁财富"目标投"约束校验 | 强制输入目标金额和期限，不符合约束的产品自动过滤 | H3 | 蚂蚁财富App功能说明 |
| Vanguard"财务能力评估" | 月均可投资金额和投资期限作为所有推荐的硬约束 | H3 | Vanguard官网 Investor Questionnaire |
| 工商银行"适当性管理引擎" | 产品R1-R5与客户C1-C5自动匹配，不匹配产品物理屏蔽 | H4 | 基于行业公开报道及产品功能分析 |
| 平安银行"制裁名单实时筛查" | 每次推荐和交易前实时筛查，命中立即封停 | H4 | 平安科技官网；百度AI(2024) |
| 蚂蚁财富"个性化推荐开关" | 一键关闭后展示通用热榜代替个人画像推荐 | H5 | 阿里云开发者社区(2020) |
| 招商银行"隐私管理中心" | 统一的隐私偏好管理页面，每个开关清晰说明关闭后的服务影响 | H5 | 招商银行App隐私政策；新浪财经(2025) |
| Apple"App Tracking Transparency" | 弹窗授权模式------追踪必须获用户明确同意 | H5 | Apple Developer官方文档(2021) |
| ING/BNP Paribas"渐进式授权" | 分阶段、分场景请求数据授权，降低一次性决策压力 | H5 | 基于GDPR合规实践行业分析 |
4. 总结
上述五个小类构成了银行用户画像中"约束与负面偏好"维度的完整"安全护栏"体系：
| 小类 | 对应的核心理论 | 画像构建的技术侧重点 |
|---|---|---|
| H1 产品拒绝记录 | Brehm心理阻抗 + Baumeister负面偏差 + Mayer信任模型 | 拒绝信号采集与遗忘曲线管理（记录每次拒绝的品类/原因/时间，设置差异化冷却期，仅在实质信号变化时谨慎重推） |
| H2 主题厌恶 | 情感泛化理论 + 选择性接触理论 + 道德基础理论 | 主题标签与全触点过滤引擎（识别用户厌恶的主题范围，在所有触达渠道中统一执行过滤，区分价值观厌恶和情境性厌恶） |
| H3 约束条件 | 流动性约束理论 + 预算约束理论 + 心理账户理论 | 约束参数的量化与产品属性匹配校验（将资金/时间/流动性约束量化为结构化参数，在产品推荐后处理环节执行硬过滤） |
| H4 合规与监管标签 | 监管科技/RegTech + FATF风险为本方法 + MiFID II客户分类 | 法规到规则的翻译引擎（将《适当性管理办法》、反洗钱法规、MiFID II等转化为可自动执行的规则，优先于所有推荐算法执行） |
| H5 隐私敏感边界 | Culnan隐私计算 + Westin隐私三分类 + Petronio隐私边界管理 | 隐私敏感度评分与推荐力度衰减曲线（基于用户的授权/拒绝行为和隐私设置，动态调整推荐精度和画像使用范围） |
五个小类之间存在明确的优先级层级结构：
┌─────────────────────────────────────────────────┐
│ H4 合规与监管标签（最高优先级 - 不可协商） │
│ ↓ 合规过滤后的候选产品池 │
│ H3 约束条件（客观硬约束 - 不可协商） │
│ ↓ 满足约束条件的候选产品池 │
│ H1 产品拒绝 + H2 主题厌恶（用户表达硬约束） │
│ ↓ 用户不拒绝的候选产品池 │
│ H5 隐私敏感边界（推荐力度衰减 - 可协商） │
│ ↓ 最终推荐结果 │
└─────────────────────────────────────────────────┘- H4（合规标签） 是绝对的第一道关卡------由法律和监管框架决定，不可协商，不可绕过；
- H3（约束条件） 是客观限制------来自用户的真实财务状况和时间安排，系统不应挑战这些约束；
- H1+H2（拒绝与厌恶） 是用户主观表达的"不"------Brehm 心理阻抗理论、Baumeister 负面偏差理论和 Kahneman 损失厌恶理论共同指向同一个原则：尊重用户的"不"，比满足用户的"要"更重要；
- H5（隐私敏感） 是最后的适配层------在合规和约束全部满足的前提下，根据用户的隐私偏好在"充分个性化"到"无个性化"之间动态调整。
与其他画像维度不同，约束与负面偏好维度的核心操作不是"匹配"和"推荐"，而是**"过滤"和"保护"**。它的存在本身就是在回答一个问题："在为用户创造个性化价值的同时，如何确保不侵犯用户的拒绝权、不突破用户的约束底线、不违反监管的红线？"如果说正面维度（偏好、目标、知识、行为）是画像引擎的"加速器"，那么约束与负面偏好维度就是画像引擎的"刹车"------两者缺一不可，且刹车永远优先于油门。
5. 参考
- Kobsa, A. (2001). Generic user modeling systems. User Modeling and User-Adapted Interaction, 11(1-2), 49-63.
- Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263-291.
- Brehm, J. W. (1966). A Theory of Psychological Reactance. New York: Academic Press.
- Baumeister, R. F., Bratslavsky, E., Finkenauer, C., & Vohs, K. D. (2001). Bad is stronger than good. Review of General Psychology, 5(4), 323-370.
- Culnan, M. J., & Armstrong, P. K. (1999). Information privacy concerns, procedural fairness, and impersonal trust: An empirical investigation. Organization Science, 10(1), 104-115.
- Westin, A. F. (1967). Privacy and Freedom. New York: Atheneum.
- Mayer, R. C., Davis, J. H., & Schoorman, F. D. (1995). An integrative model of organizational trust. Academy of Management Review, 20(3), 709-734.
- Petronio, S. (2002). Boundaries of Privacy: Dialectics of Disclosure. Albany: SUNY Press.
- Thaler, R. H. (1985). Mental accounting and consumer choice. Marketing Science, 4(3), 199-214.
- Tax, S. S., & Brown, S. W. (1998). Recovering and learning from service failure. Sloan Management Review, 40(1), 75-88.
- Festinger, L. (1957). A Theory of Cognitive Dissonance. Stanford: Stanford University Press.
- Haidt, J. (2012). The Righteous Mind: Why Good People Are Divided by Politics and Religion. New York: Vintage.
- Rogers, R. W. (1983). Cognitive and psychological processes in fear appeals and attitude change: A revised theory of protection motivation. In J. Cacioppo & R. Petty (Eds.), Social Psychophysiology, 153-176.
- Michie, S., van Stralen, M. M., & West, R. (2011). The behaviour change wheel: A new method for characterising and designing behaviour change interventions. Implementation Science, 6(1), 42.
- 全国人民代表大会常务委员会. 《中华人民共和国个人信息保护法》（2021）.
- 全国人民代表大会常务委员会. 《中华人民共和国反洗钱法》.
- 国家金融监督管理总局. 《金融机构产品适当性管理办法》（2025，令〔2025〕第7号）.
- 中国证监会. 《证券期货投资者适当性管理办法》（2017）.
- 中国银保监会. 《商业银行理财业务监督管理办法》（2018）.
- 中国人民银行. 《金融消费者权益保护实施办法》.
- 欧盟. Markets in Financial Instruments Directive II (MiFID II), 2018.
- 欧盟. General Data Protection Regulation (GDPR), 2018.
- FATF. International Standards on Combating Money Laundering and the Financing of Terrorism & Proliferation (The FATF Recommendations).