1. 课程导论：反洗钱(AML)概述、为什么需要特征工程、特征分层与样本构建的核心价值、课程目标与学习路径

1.1 反洗钱(AML)概述

反洗钱（Anti-Money Laundering, AML）是指金融机构、监管机构及特定非金融行业为预防、监测和打击通过合法渠道掩饰、隐瞒犯罪所得及其收益的非法行为而采取的一系列法律、制度与技术措施。洗钱活动通常经历三个阶段：

1. 处置阶段（Placement）：将非法现金存入金融体系或购买资产；
2. 分层阶段（Layering）：通过复杂交易、跨境转账、多账户操作切断资金溯源线索；
3. 融合阶段（Integration）：将清洗后的资金以看似合法的形式重新投入经济体系。

金融机构的 AML 合规体系通常包含客户身份识别（KYC）、客户风险评级、大额与可疑交易报告（STR/CTR）、名单筛查及交易监控等核心环节。随着金融交易量爆发式增长，传统基于规则（Rule-based）的监控系统面临高误报率、低覆盖率的困境，数据驱动的机器学习方法正成为行业升级的关键方向。

1.2 为什么需要特征工程

在 AML 建模中，原始数据（交易流水、客户信息、账户行为日志）无法直接输入模型。特征工程是将原始数据转化为能够有效表达洗钱行为模式的数值化、结构化特征的过程。其必要性体现在以下三个层面：

没有高质量的特征工程，即使使用最先进的深度学习模型，也无法有效区分正常交易与洗钱交易。特征工程是连接原始数据与机器学习模型之间的桥梁，也是反洗钱建模中最耗时、最依赖领域知识的环节。

1.3 特征分层与样本构建的核心价值

本课程提出 “特征分层” 与 “样本构建” 两大核心方法论，它们共同构成 AML 建模的基础设施。

特征分层：从原子到图谱的结构化体系

特征分层将 AML 特征按照数据来源与抽象程度划分为四个层级，每一层解决不同的问题：

• L1 原子层：单笔交易/单账户的原始统计量（金额、时间、频次）；
• L2 行为层：基于时间窗口的行为模式（日/周/月聚合、趋势、波动性）；
• L3 关系层：账户间资金流转网络特征（交易对手数量、资金流入流出比、网络中心度）；
• L4 图谱层：基于图神经网络的全局嵌入特征（社区结构、异常子图检测）。

样本构建：解决 AML 场景的标签困境

AML 建模面临严重的样本不平衡（正样本占比通常低于 0.1%）和标签噪声问题。样本构建的核心价值在于：

1. 正样本增强：通过已知洗钱案例、监管处罚案例、专家规则筛选构建高质量正样本池；
2. 负样本降噪：剔除被误报为正常的可疑交易，保证负样本的“干净”程度；
3. 样本分层：按洗钱手法、风险等级、交易类型对样本进行分层，支持多模型融合策略。

下图展示了特征分层与样本构建在 AML 建模流程中的位置与关系：

1.4 课程目标与学习路径

本课程旨在帮助学员系统掌握 AML 场景下特征工程与样本构建的完整方法论与实战技能。完成本课程后，学员将能够：

• 理解 AML 业务逻辑：掌握洗钱手法、监管要求、交易监控流程；
• 独立构建特征分层体系：从原子层到图谱层，覆盖 50+ 核心 AML 特征；
• 掌握样本构建策略：解决正样本稀缺、标签噪声、样本不平衡问题；
• 落地机器学习模型：基于真实交易数据完成从特征工程到模型评估的全流程。

课程学习路径分为五个阶段：