4、分层特征概念：分层特征的定义、为什么需要分层

在反洗钱（AML）模型训练中，分层特征是指将原始数据按照特定维度（如客户属性、交易行为、风险等级）进行分组或分段后，提取出的能够反映组内共性或组间差异的统计特征。分层特征的核心思想是“分而治之”——通过将复杂、异构的数据划分为相对同质的子集，使模型能够更精准地捕捉不同群体中的异常模式。

4.1 分层特征的定义

分层特征并非单一字段，而是一组通过对原始数据进行分组聚合后生成的衍生特征。其数学本质可表示为：

对于原始数据集 D，按分层维度 K（如客户类型、交易渠道）进行分组：
  D = {G₁, G₂, ..., Gₙ}，其中 Gₖ = {x ∈ D | K(x) = k}

对每个分组 Gₖ，计算统计量 S（如均值、标准差、分位数）：
  Featureₖ = S(Gₖ)

最终分层特征向量 F = [Feature₁, Feature₂, ..., Featureₙ]

分层特征与普通特征的关键区别在于：普通特征描述的是单个样本的属性（如“交易金额”），而分层特征描述的是样本所属群体的统计属性（如“该客户所在分层的平均交易金额”）。

4.2 为什么需要分层——三大分层维度

反洗钱场景中的数据天然具有高度异质性：不同客户群体的交易模式差异巨大，不同交易类型的风险特征截然不同，不同风险等级的监控阈值也应有所区别。如果不进行分层，模型将被迫学习一个“平均”模式，导致对少数群体的误判率急剧上升。以下从三个核心维度阐述分层的必要性。

4.2.1 客户分层

客户是反洗钱分析的基本单元。不同客户类型的交易行为、资金规模、业务复杂度存在显著差异。常见的客户分层维度包括：

• 客户类型：个人客户 vs. 企业客户；金融机构 vs. 非金融机构
• 行业属性：制造业、贸易、科技、房地产等
• 客户规模：小微企业、中型企业、大型集团
• 地域特征：境内客户 vs. 境外客户；高洗钱风险地区 vs. 低风险地区
• 客户生命周期：新开户客户、活跃客户、休眠客户

4.2.2 交易分层

交易是反洗钱监测的直接对象。交易分层关注的是交易行为本身的属性差异。常见的交易分层维度包括：

• 交易渠道：柜面交易、网上银行、手机银行、ATM、第三方支付
• 交易类型：转账、汇款、现金存取、外汇兑换、投资理财
• 交易金额区间：小额（<1万）、中额（1万-50万）、大额（50万-500万）、超大额（>500万）
• 交易频率：低频（月均<5笔）、中频（月均5-50笔）、高频（月均>50笔）
• 交易对手：对公交易、对私交易、跨境交易、内部账户交易

4.2.3 风险分层

风险分层是反洗钱模型中最具业务导向的分层方式。它基于客户或交易的固有风险等级，构建差异化的特征空间。常见的风险分层维度包括：

• 客户风险等级：低风险、中风险、高风险、极高风险
• 产品风险等级：低风险产品（储蓄）、中风险产品（理财）、高风险产品（跨境汇款）
• 国家/地区风险：FATF 黑名单国家、受制裁国家、高风险司法管辖区
• 业务关系风险：长期稳定关系 vs. 新建立关系 vs. 一次性交易

4.3 分层特征的整体架构

下图展示了反洗钱分层特征的完整架构，从原始数据输入到分层特征输出的全流程：

4.4 分层特征的业务价值总结

分层特征在反洗钱模型训练中具有不可替代的作用，其核心价值可归纳为以下四点：

1. 提升模型区分度：通过提供群体上下文，使模型能够区分“正常波动”与“异常偏离”，显著提升 AUC 和 Recall 指标。
2. 降低误报率：避免将高活跃客户的正常大额交易误判为可疑，同时避免遗漏低活跃客户的异常小额交易。
3. 增强模型可解释性：分层特征具有明确的业务含义（如“该客户交易金额超出同行业均值 3 倍”），便于合规人员理解和验证。
4. 适应业务动态变化：当客户群体结构发生变化（如新增业务线）时，分层特征可自动调整统计基准，无需重新训练整个模型。