📚 课程目录第2章特征工程基础

特征工程基础：反洗钱建模的基石

在反洗钱（AML）领域，原始交易数据如同未经雕琢的矿石，直接输入模型往往效果不佳。特征工程正是将原始数据转化为模型能够理解、且能有效识别可疑行为的数值表示的过程。没有高质量的特征，再先进的算法也无法准确捕捉洗钱模式。

特征工程在反洗钱中的核心价值

特征工程直接决定了模型性能的上限。在AML场景中，其重要性体现在以下三个层面：

提升信号强度：洗钱行为通常隐藏在大量正常交易中。通过构造聚合特征（如“过去24小时累计交易金额”），可以将微弱的异常信号放大，使模型更容易区分正常与可疑。
注入领域知识：反洗钱规则（如“单笔超过X万元需关注”）可以通过特征工程直接编码进模型，让算法学习到合规专家积累的经验。
处理数据稀疏性：原始交易数据中，每个账户的交易记录可能非常稀疏。特征工程可以提取账户的统计行为画像，将稀疏的高维数据转化为稠密的低维特征。

  关键认知： 在反洗钱项目中，特征工程所花费的时间通常占整个建模周期的 60%-80%。投入精力做好特征工程，往往比调优模型参数带来更显著的性能提升。

反洗钱中的三大特征类型

根据数据形态和业务含义，AML特征主要分为数值型、类别型和时序型。下表总结了它们的核心差异与常见示例：

特征类型	数据特点	常见AML示例	典型处理方式
数值型	连续或离散的数值，可进行算术运算	交易金额、账户余额、交易频率、IP地址地理位置距离	标准化、对数变换、分箱、异常值截断
类别型	有限个离散取值，无大小顺序	交易类型（转账/取现）、币种、国家/地区、渠道（网银/柜台）	独热编码、标签编码、目标编码、频次编码
时序型	带有时间戳，反映行为变化趋势	过去7天交易金额的均值/标准差、交易间隔、夜间交易占比	滑动窗口聚合、时间衰减加权、差分、周期性编码

数值型特征：量化交易行为

数值型特征是AML模型最直接的输入。例如，单笔交易金额、账户历史平均余额、过去30天交易总次数等。处理时需注意：洗钱数据常存在极端值（如大额交易），直接使用会导致模型偏向异常值。常用对数变换（log transform）或分箱（binning）来缓解。

类别型特征：刻画交易属性

类别型特征描述了交易的“性质”。例如，交易对手是否为高风险国家、交易渠道是否为匿名加密货币。这类特征不能直接输入模型，需要转换为数值。在AML中，目标编码（Target Encoding）非常有效——用每个类别对应的目标变量（是否可疑）的均值来替换原始类别，能很好地捕捉类别与标签的关系。

时序型特征：捕捉行为模式

洗钱行为往往在时间维度上表现出异常模式，如“短时间内频繁交易”、“深夜大额转账”。时序特征通过滑动窗口（如过去24小时、7天、30天）计算统计量（总和、均值、标准差、最大值），将时间序列信息压缩为静态特征。例如，构造“过去1小时内交易金额的变异系数”可以识别资金快进快出的“洗钱”模式。

实战建议： 在构造时序特征时，务必注意 数据泄露 问题。计算“过去7天交易金额”时，只能使用当前交易时间点之前的数据，不能使用未来的信息。建议使用严格的时间窗口划分，并在特征工程代码中显式进行时间偏移。

特征与标签的关系：从相关性到因果性

特征工程的最终目的是建立特征与标签（是否可疑）之间的有效关联。理解这种关系，能指导我们筛选和构造更有价值的特征。

强相关特征： 与标签直接相关的特征，如“交易对手是否在制裁名单上”。这类特征通常具有很高的区分度，应优先保留。
弱相关特征： 与标签存在间接关联，如“交易金额的百分位数”。单个弱相关特征效果有限，但多个弱相关特征组合后可能产生强预测能力。
无关特征： 与标签无统计关联，如“交易流水号”。这类特征应直接剔除，避免引入噪声。
噪声特征： 包含大量随机波动，如“毫秒级交易时间戳”。这类特征会降低模型稳定性，需要平滑或去除。

下图展示了特征工程在反洗钱建模中的整体流程，以及特征与标签之间的核心关系：

特征与标签关系的量化评估

在实际项目中，我们需要用数据指标来量化特征与标签的关系强度，从而指导特征筛选。以下是三种常用方法：

评估方法	适用特征类型	计算方式	AML场景示例
信息价值（IV）	数值型、类别型	IV = Σ( (P_i - Q_i) * ln(P_i/Q_i) )，其中P_i为可疑样本在分组i中的占比，Q_i为正常样本占比	评估“交易金额分箱”特征对识别可疑交易的有效性。IV > 0.3 表示强预测力
相关系数	数值型	皮尔逊相关系数 r，取值范围 [-1, 1]	计算“账户年龄”与“是否可疑”的线性相关性。\|r\| > 0.5 表示强相关
卡方检验	类别型	计算实际频数与期望频数的差异，p值越小表示关联越显著	检验“交易渠道”与“可疑标签”是否独立。p < 0.05 表示存在显著关联

常见陷阱： 不要过度依赖单一指标。例如，高IV值可能由极端分组导致，而相关系数只能捕捉线性关系。在AML中，许多有效特征（如“交易间隔的变异系数”）与标签的关系是非线性的。建议结合多种评估方法，并始终用业务逻辑进行验证。

特征构造实战：从原始数据到有效特征

以下是一个简单的Python代码示例，展示如何从原始交易数据中构造数值型、类别型和时序型特征：

import pandas as pd
import numpy as np

# 原始交易数据示例
transactions = pd.DataFrame({
    'account_id': ['A001', 'A001', 'A001', 'A002', 'A002'],
    'txn_amount': [5000, 12000, 8000, 200, 150],
    'txn_type': ['转账', '转账', '取现', '转账', '取现'],
    'txn_time': pd.to_datetime(['2024-01-01 10:00', '2024-01-01 11:30',
                                '2024-01-01 12:00', '2024-01-02 09:00',
                                '2024-01-02 09:15']),
    'is_suspicious': [0, 1, 0, 0, 0]  # 标签
})

# 1. 数值型特征：对数变换交易金额
transactions['log_amount'] = np.log1p(transactions['txn_amount'])

# 2. 类别型特征：目标编码（用历史均值替代类别）
type_target_mean = transactions.groupby('txn_type')['is_suspicious'].mean()
transactions['txn_type_target_enc'] = transactions['txn_type'].map(type_target_mean)

# 3. 时序型特征：按账户分组，计算过去1小时内的交易总金额
transactions = transactions.sort_values(['account_id', 'txn_time'])
transactions['rolling_1h_sum'] = (
    transactions.groupby('account_id')['txn_amount']
    .transform(lambda x: x.rolling('1h', min_periods=1).sum())
)

print(transactions[['account_id', 'txn_amount', 'log_amount',
                    'txn_type_target_enc', 'rolling_1h_sum']])

上述代码展示了特征工程的核心操作：数值变换、类别编码、时序聚合。在实际AML项目中，特征构造的复杂度会高得多，但基本思路是一致的——从业务理解出发，将原始数据转化为能够反映洗钱行为模式的特征。