1. 反洗钱监测概述
1.1 反洗钱监管背景
反洗钱（Anti-Money Laundering, AML）已成为全球金融体系的核心合规议题。近年来，国际反洗钱监管呈现三大趋势：监管范围扩大（从银行业延伸至支付、证券、虚拟资产等全金融业态）、处罚力度升级（全球 AML 罚款总额逐年攀升）、技术要求深化（从规则驱动转向数据驱动与智能监测）。
| 监管维度 | 核心要求 | 典型监管机构 / 标准 |
|---|---|---|
| 国际标准 | 风险为本（Risk-Based Approach）、客户尽职调查（CDD）、可疑交易报告（STR） | FATF（金融行动特别工作组）40 项建议 |
| 中国监管 | 《反洗钱法》、受益所有人识别、大额与可疑交易报告 | 中国人民银行（PBOC）、反洗钱监测分析中心 |
| 欧美监管 | 最终受益所有人（UBO）穿透、跨境资金监测、制裁名单筛查 | FinCEN（美国）、EU AMLD（欧盟反洗钱指令） |
关键数据： 2023 年全球 AML 罚款总额超过 60 亿美元，其中因监测体系缺陷导致的处罚占比约 35%。特征分层能力直接决定监测体系的有效性与合规成本。
1.2 监测体系架构
一个完整的反洗钱监测体系通常由四个核心层构成：数据层、特征层、模型层与决策层。特征层处于数据与模型之间，承担着将原始交易数据转化为可计算、可解释、可追溯的监测信号的关键角色。
架构要点： 特征层并非简单的数据搬运，而是通过业务理解与数据工程，将低维、异构、海量的原始数据转化为高维、结构化、可解释的监测特征。特征质量直接决定模型层的预警准确率与误报率。
1.3 特征分层概念与价值
特征分层（Feature Stratification）是指按照特征的抽象层级、计算复杂度与业务语义，将反洗钱监测特征划分为若干层次，形成从基础到高阶的递进式特征体系。这种分层方法解决了传统 AML 监测中特征杂乱、冗余度高、可解释性差的核心痛点。
1.3.1 特征分层体系
| 层级 | 特征类型 | 典型示例 | 计算复杂度 |
|---|---|---|---|
| L1 基础特征 | 单笔交易 / 单账户统计 | 交易金额、交易频次、交易对手数、账户余额 | 低 |
| L2 行为特征 | 时间窗口聚合 / 行为模式 | 日累计交易额、周交易波动率、夜间交易占比、快进快出模式 | 中 |
| L3 网络特征 | 账户关联 / 资金链路 | 交易网络密度、中心度、资金闭环检测、多层穿透路径 | 高 |
| L4 时序特征 | 时间序列 / 趋势变化 | 交易量突变点、周期性偏离、长期趋势斜率、季节性指数 | 高 |
| L5 复合特征 | 多维度交叉 / 模型输出 | 异常评分、风险聚类标签、行为画像相似度、图嵌入向量 | 极高 |
1.3.2 特征分层的核心价值
- 降低特征冗余： 分层后每层特征聚焦特定业务语义，避免低层与高层特征重复计算，减少特征空间维度 40%~60%。
- 提升模型可解释性： 分层结构使模型决策路径清晰——从基础交易异常到行为模式偏离，再到网络关联风险，每一层都可追溯、可审计。
- 支持渐进式监测： 低层特征用于快速过滤正常交易（高吞吐、低延迟），高层特征用于深度挖掘可疑模式（高精度、低误报），实现监测效率与精度的平衡。
- 增强特征复用性： 同一套分层特征可同时服务于规则模型、机器学习模型与图模型，避免重复开发，降低维护成本。
- 适应监管变化： 当监管要求新增某种洗钱模式（如虚拟货币混币器、贸易洗钱）时，只需在对应层级补充特征，无需重构整个特征体系。
实践警示： 特征分层不是一次性的静态设计。随着洗钱手法演进（如利用跨境支付、数字人民币、DeFi 协议进行洗钱），特征分层体系需要定期评估与迭代。建议每季度进行一次特征有效性回测，淘汰低效特征，补充新型风险特征。
1.3.3 分层特征与监测场景的映射
| 洗钱场景 | 主要特征层级 | 典型特征示例 |
|---|---|---|
| 拆分交易（Smurfing） | L1 + L2 | 单笔金额接近阈值、多笔小额交易、日累计频次突增 |
| 快进快出（Rapid Layering） | L2 + L3 | 资金停留时间极短、交易对手快速轮换、资金闭环检测 |
| 跨境洗钱 | L2 + L4 | 跨境交易占比突变、时区异常交易、季节性资金流动 |
| 空壳公司洗钱 | L3 + L5 | 网络中心度异常、多层穿透后资金归集、企业行为画像偏离 |
| 虚拟货币洗钱 | L3 + L4 + L5 | 链上交易图谱分析、混币器关联检测、时序异常交易模式 |