1. AML 特征分层概述
1.1 特征分层的定义
特征分层（Feature Stratification）是指在反洗钱（AML）模型训练过程中，按照业务逻辑、数据来源、时间粒度、统计属性等维度，将原始特征划分为不同层级，并在每个层级内部独立进行特征筛选、衍生、归一化与交叉组合的系统性方法。它不同于简单的特征分组，而是强调层级间的递进关系与信息互补，最终形成结构化的特征体系。
核心定义：特征分层 = 按业务语义 + 统计属性 + 时间窗口，将特征组织为多级金字塔结构，上层依赖下层，下层为上层提供聚合基础。
1.2 在反洗钱模型中的重要性
AML 模型面临的数据具有高稀疏性、强时序性、多源异构性、标签极度不平衡等特点。特征分层能够有效解决以下关键问题：
| 问题维度 | 未分层时的痛点 | 分层后的收益 |
|---|---|---|
| 特征维度爆炸 | 原始特征动辄数千维，直接建模导致过拟合、训练缓慢 | 分层后每层特征可控（50–200 维），逐层降维，模型泛化能力提升 |
| 业务解释性差 | 黑箱特征组合难以向监管解释洗钱判定依据 | 分层结构天然对应业务规则（如交易层→账户层→客户层），可审计性强 |
| 时间窗口混乱 | 不同时间粒度的特征混在一起，模型无法捕捉短期与长期行为差异 | 按窗口分层（T+0、T+7、T+30、T+90），模型可分别学习不同周期模式 |
| 数据缺失与稀疏 | 部分客户交易记录极少，特征矩阵大量空值 | 分层后可在上层使用下层聚合特征填补缺失，提高数据利用率 |
| 模型迭代效率 | 每次新增数据源需重新全量训练，耗时数天 | 仅需在对应层级增量更新，上层特征可复用，迭代周期缩短 60% 以上 |
实践提示：在 FATF 互评估和国内监管检查中，特征分层文档是证明模型可解释性的重要材料。建议在项目初期就建立分层映射表，记录每个特征所属层级、来源表、衍生逻辑和版本号。
1.3 分层与特征工程的关系
特征分层不是独立于特征工程之外的新流程，而是特征工程的上层组织框架。两者的关系可以用“骨架与血肉”来类比：
- 特征工程 负责单个特征的生成、变换、选择与交叉（如 WOE 编码、聚合统计、时序差分、频域变换等），是“血肉”。
- 特征分层 负责定义这些特征的组织结构、层级依赖、计算顺序与复用策略，是“骨架”。
- 协同关系：分层指导特征工程的方向（哪些特征需要衍生、在哪个层级做交叉），特征工程的结果反过来验证分层是否合理（若某层特征重要性普遍偏低，需考虑合并或重构该层）。
常见误区：不要先做完全部特征工程再分层，这会导致大量无效计算和特征冗余。正确的做法是：先设计分层框架（骨架），再在每个层级内执行特征工程（血肉），最后跨层做特征筛选。
1.4 特征分层的典型层级结构
在 AML 场景中，推荐采用四层金字塔结构，从底层原始事件到顶层客户画像，每层特征的计算依赖下层数据，但特征空间逐层压缩：
| 层级 | 名称 | 数据来源 | 典型特征举例 | 特征维度（参考） |
|---|---|---|---|---|
| L1 | 原始事件层 | 交易流水、日志、设备指纹 | 交易时间戳、IP 地址、设备 ID、交易类型码 | 10–30 |
| L2 | 交易行为层 | L1 聚合 + 交易对手信息 | 单日交易笔数、平均金额、最大金额、夜间交易占比、对手方多样性 | 50–150 |
| L3 | 账户画像层 | L2 聚合 + 账户属性 | 账户余额波动率、入金/出金比、渠道偏好、开户时长、历史预警次数 | 30–80 |
| L4 | 客户风险层 | L3 聚合 + 客户信息 | 客户风险等级、关联账户数、行业风险系数、地域风险评分、涉恐名单匹配 | 10–40 |
分层原则：每层特征数量控制在 10–150 维之间，避免单层特征过多导致模型过拟合。层与层之间通过聚合键（如 account_id、customer_id）建立映射关系，确保上层可以引用下层的统计结果。
1.5 分层策略的评估指标
在模型训练前，可以通过以下指标评估分层设计的合理性：
- 层内特征相关性：同一层内特征平均 Pearson 相关系数应 < 0.6，避免冗余。
- 层间特征互补性：不同层特征之间的互信息（MI）应 > 0.1，确保跨层信息不重复但可互补。
- 单层 AUC 贡献：单独使用某一层特征训练模型，AUC 应 > 0.65，说明该层具备独立区分能力。
- 增量 AUC 提升：逐层加入特征后，AUC 提升应 > 0.02，否则考虑合并该层。
最佳实践：在项目启动阶段，先使用 10% 的样本快速跑一次分层评估，如果某层 AUC 贡献低于 0.60 或增量提升小于 0.01，立即调整该层的特征设计，避免在后续全量训练中浪费算力。