4. 业务层特征（二）：账户交易行为特征

在反洗钱监测体系中，账户交易行为特征是业务层特征的核心组成部分。交易频率、交易金额和交易对手多样性这三个维度，能够有效刻画账户的资金运作模式，帮助分析师识别异常交易行为。本节将深入解析这三类特征的构建逻辑、计算方法和应用场景。

4.1 交易频率特征

交易频率反映账户在单位时间内的交易活跃程度。异常的交易频率往往与洗钱行为中的“化整为零”、“快速进出”等手法相关。

4.2 交易金额特征

交易金额特征是识别大额交易、可疑金额模式的关键维度。洗钱分子常利用“拆分交易”、“整数交易”等手段规避监测。

• 单笔交易金额统计：最大值、最小值、均值、中位数、标准差。重点关注是否频繁接近大额交易报告阈值（如人民币5万元）。
• 累计交易金额：日累计、周累计、月累计。观察是否存在短期内资金快速归集或分散的情况。
• 金额分布模式：整数金额占比（如10000、50000）、特定数字偏好（如9999、19999）、金额尾数分布是否异常。
• 金额波动系数：交易金额的变异系数（标准差/均值）。波动系数过低（金额高度一致）或过高（金额忽大忽小）均需关注。

4.3 交易对手多样性特征

交易对手多样性衡量账户资金往来对象的广泛程度和集中程度。洗钱账户往往呈现“一对多”或“多对一”的星型交易结构。

4.4 三类特征的融合分析框架

单一维度的特征往往难以准确识别洗钱行为，需要将交易频率、金额和对手多样性进行交叉分析。下图展示了三类特征的融合分析逻辑：

4.5 特征工程实战代码示例

以下Python代码展示了如何从交易流水数据中提取上述三类特征：

import pandas as pd
import numpy as np

def extract_transaction_features(df, account_col='account_id', 
                                 time_col='trans_time', 
                                 amount_col='amount',
                                 counterparty_col='counterparty_id'):
    """
    提取账户交易行为特征
    
    参数:
        df: 交易流水DataFrame
        account_col: 账户ID列名
        time_col: 交易时间列名
        amount_col: 交易金额列名
        counterparty_col: 交易对手ID列名
    
    返回:
        features_df: 账户级特征DataFrame
    """
    # 确保时间列格式
    df[time_col] = pd.to_datetime(df[time_col])
    
    # 按账户分组计算特征
    features = []
    
    for account, group in df.groupby(account_col):
        group = group.sort_values(time_col)
        n_trans = len(group)
        days = (group[time_col].max() - group[time_col].min()).days + 1
        
        # 交易频率特征
        daily_count = n_trans / max(days, 1)
        time_diffs = group[time_col].diff().dropna().dt.total_seconds() / 60
        interval_std = time_diffs.std() if len(time_diffs) > 0 else 0
        
        # 交易金额特征
        amounts = group[amount_col]
        amount_mean = amounts.mean()
        amount_std = amounts.std()
        amount_cv = amount_std / amount_mean if amount_mean > 0 else 0
        integer_ratio = (amounts % 10000 == 0).mean()  # 整数金额占比
        
        # 对手多样性特征
        unique_counterparties = group[counterparty_col].nunique()
        counterparty_amounts = group.groupby(counterparty_col)[amount_col].sum()
        total_amount = counterparty_amounts.sum()
        hhi = ((counterparty_amounts / total_amount) ** 2).sum() if total_amount > 0 else 0
        
        features.append({
            'account_id': account,
            'daily_trans_count': daily_count,
            'interval_std_min': interval_std,
            'amount_mean': amount_mean,
            'amount_cv': amount_cv,
            'integer_amount_ratio': integer_ratio,
            'unique_counterparties': unique_counterparties,
            'counterparty_hhi': hhi,
            'total_trans_amount': total_amount
        })
    
    return pd.DataFrame(features)

# 使用示例
# features_df = extract_transaction_features(transaction_data)
# features_df.to_csv('account_transaction_features.csv', index=False)

4.6 特征有效性评估

构建完成后，需要对特征进行有效性验证。常用的评估方法包括：

• PSI（群体稳定性指标）：评估特征分布在不同时间窗口的稳定性，PSI < 0.1 表示特征稳定。
• IV（信息价值）：衡量特征对正常/可疑账户的区分能力，IV > 0.3 表示强预测能力。
• 相关性分析：检查特征之间的多重共线性，避免模型过拟合。
• 业务可解释性：每个特征应能对应明确的洗钱手法或异常行为模式。

通过上述三个维度的特征构建与融合分析，反洗钱监测系统能够更精准地识别账户层面的异常交易行为，为后续的模型训练和规则优化提供高质量的特征输入。