4. 交易行为特征层：交易频次、交易金额统计与对手多样性
交易行为特征层是 AML 模型中最具动态识别能力的维度之一。该层通过量化客户在特定时间窗口内的交易模式，捕捉偏离正常行为的异常信号。本节聚焦于三个核心子特征群：交易频次、交易金额统计量以及交易对手多样性。
4.1 交易频次特征
交易频次反映了客户在单位时间内的活跃程度。洗钱行为常表现为短时间内高频交易（如“拆分交易”或“化整为零”）或长期休眠后的突然活跃。
| 特征名称 | 计算方式 | AML 识别价值 |
|---|---|---|
| 日交易笔数 | 统计自然日内交易总次数 | 识别日内高频拆分交易 |
| 周/月交易笔数 | 滚动窗口内累计交易次数 | 发现周期性异常活跃 |
| 夜间交易占比 | 非工作时段交易笔数 / 总笔数 | 规避正常交易时间的行为 |
| 交易间隔标准差 | 相邻两笔交易时间差的波动性 | 识别机器化、等间隔交易 |
实践要点：交易频次特征需结合客户画像进行归一化。例如，零售客户日交易 10 笔可能异常，但高频交易商户日交易 100 笔可能正常。建议使用 Z-Score 或分位数方法进行客户分层标准化。
4.2 交易金额统计特征
金额统计特征从集中趋势、离散程度和极端值三个角度刻画交易金额分布。洗钱者常通过控制单笔金额接近监管阈值（如 5 万元人民币）来规避报告义务。
- 均值（Mean）：反映交易金额的集中水平。均值突然升高可能暗示资金归集行为。
- 最大值（Max）：捕捉单笔大额交易，直接关联大额可疑交易报告（STR）阈值。
- 最小值（Min）：识别极小金额交易，常与“测试交易”或“结构化拆分”相关。
- 标准差（Std）：衡量金额波动性。标准差过低可能为固定金额交易（如洗钱通道），过高则可能为混合型异常。
特征工程示例：构建“金额接近阈值比率”特征：
该特征能有效识别刻意规避大额报告的行为模式。
ratio_near_threshold = count( |amount - threshold| < epsilon ) / total_transactions该特征能有效识别刻意规避大额报告的行为模式。
4.3 交易对手多样性特征
交易对手多样性衡量客户资金往来对象的广度与集中度。洗钱网络通常涉及大量无关对手或高度集中的资金通道。
| 特征名称 | 定义 | 异常模式 |
|---|---|---|
| 唯一对手数 | 统计期内不同对手方数量 | 突然激增（账户出借）或极低（通道账户） |
| 赫芬达尔-赫希曼指数（HHI） | 对手方交易金额占比的平方和 | HHI 过高表示资金高度集中 |
| 对手方行业多样性 | 对手方所属行业类别数量 | 跨多个不相关行业（贸易洗钱） |
| 新对手方占比 | 首次出现对手方交易笔数 / 总笔数 | 高占比暗示账户可能被接管 |
4.4 特征构建注意事项
- 时间窗口选择：建议同时使用短窗口（1 天、7 天）和长窗口（30 天、90 天），以捕获不同时间尺度的行为模式。
- 缺失值处理：对于新开户或无交易历史的客户，交易频次和金额统计量应填充为行业基准值或客户分组中位数，而非简单填 0。
- 特征交叉：将“交易频次 × 金额标准差”或“对手多样性 × 夜间交易占比”等交叉特征加入模型，可显著提升对复杂洗钱模式的识别能力。
常见陷阱：直接使用原始交易金额绝对值作为特征，容易受到客户资产规模差异的影响。建议对金额进行对数变换或使用金额比率（如单笔金额 / 客户月均收入），以增强特征的泛化能力。