4. 标签定义与获取：监管定义标签、专家规则标签、历史案例标签、半监督/无监督标签生成
在反洗钱（AML）建模中，标签（Label）是监督学习的核心。没有高质量的标签，再复杂的特征工程也无法训练出有效的模型。本章系统讲解四种标签来源：监管定义标签、专家规则标签、历史案例标签以及半监督/无监督标签生成方法。
核心原则：标签必须与建模目标（如“可疑交易报告（STR）命中”、“高风险客户识别”）严格对齐。标签的准确性、时效性和覆盖率直接影响模型的上限。
4.1 监管定义标签
监管定义标签是最权威、最直接的标签来源，通常来源于各国金融情报机构（FIU）或监管机构发布的法定可疑交易特征和报告标准。这类标签具有法律效力，是模型必须优先学习的“黄金标准”。
| 监管来源 | 典型标签定义 | 适用场景 |
|---|---|---|
| FATF 建议 | 与恐怖融资相关的交易模式（如小额高频、跨境流动） | 国际制裁、恐怖融资筛查 |
| 中国人民银行（PBoC） | 《金融机构大额交易和可疑交易报告管理办法》中列明的 18 类可疑交易特征 | 国内银行、支付机构反洗钱系统 |
| FinCEN（美国） | SAR 申报标准（如涉及特定金额阈值、特定职业背景） | 跨境支付、虚拟货币交易所 |
| 欧盟反洗钱指令 | 受益所有人识别、政治公众人物（PEP）关联交易 | 欧洲金融机构合规系统 |
实践要点：
- 监管标签通常以布尔值（0/1）或多分类（如：正常/关注/可疑/高危）形式存在。
- 需要将监管文本描述转化为可计算的规则表达式（如：交易金额 > 5 万人民币且交易对手为高风险国家）。
- 监管标签的更新频率较低，但一旦更新，必须重新评估模型标签的适用性。
4.2 专家规则标签
专家规则标签是由反洗钱分析师、合规专家根据业务经验总结的可量化规则。这类标签通常用于补充监管标签的不足，覆盖监管未明确但业务上高度可疑的场景。
- 规则来源：分析师日常研判经验、历史可疑案例总结、行业最佳实践。
- 规则形式：通常为“IF-THEN”逻辑表达式，例如：
IF 交易金额 > 阈值 AND 交易对手为高风险地区 THEN 标签 = 1。 - 优势：可解释性强，能快速响应新型洗钱手法。
- 劣势：主观性强，不同分析师可能给出不同规则；规则之间可能存在冲突或冗余。
注意：专家规则标签不能完全替代监管标签。当专家规则与监管规则冲突时，应以监管规则为准。建议将专家规则标签作为辅助特征或弱标签使用。
4.3 历史案例标签
历史案例标签来源于机构内部已经确认的可疑交易报告（STR）、调查案例或监管处罚案例。这类标签是模型训练中最直接的“正样本”。
| 案例类型 | 标签含义 | 数据特点 |
|---|---|---|
| 已确认 STR | 该交易/账户已被正式报告为可疑 | 正样本数量少（通常 < 0.1%），但置信度极高 |
| 调查后排除 | 经调查确认为正常交易 | 可作为“强负样本”使用 |
| 监管处罚案例 | 已被监管机构处罚的洗钱案例 | 样本量极少，但价值极高，可用于模型验证 |
| 内部审计发现 | 内部审计发现的异常交易 | 可能存在噪声，需要二次确认 |
关键操作：
- 对历史案例进行时间对齐：确保标签时间点与特征时间点一致（避免未来信息泄露）。
- 处理样本不平衡：正样本通常极少，需要结合下采样、过采样或代价敏感学习。
- 建立案例回溯机制：定期将新发现的案例补充到标签库中。
4.4 半监督/无监督标签生成
当监管标签、专家规则标签和历史案例标签都不足以覆盖所有场景时，可以采用半监督或无监督方法生成标签。这类方法特别适用于新业务线、新产品或数据稀疏的场景。
4.4.1 半监督标签生成
- 自训练（Self-training）：先用少量标注样本训练一个初始模型，然后用该模型对未标注样本进行预测，将高置信度的预测结果作为伪标签加入训练集。
- 协同训练（Co-training）：使用两个不同视角的特征集分别训练模型，互相为对方提供伪标签。
- 标签传播（Label Propagation）：基于图结构，将已知标签传播到与其相似的未标注节点上。
4.4.2 无监督标签生成
- 异常检测：使用孤立森林（Isolation Forest）、LOF（Local Outlier Factor）或自编码器（Autoencoder）识别异常交易，将异常点作为“疑似正样本”。
- 聚类分析：对交易行为进行聚类（如 K-Means、DBSCAN），将远离主流簇的样本标记为“可疑”。
- 行为画像偏离：建立每个客户的正常行为画像，将偏离画像超过阈值的交易标记为“异常”。
建议：半监督/无监督生成的标签应作为候选标签，必须经过分析师人工复核后才能用于模型训练。直接使用未验证的伪标签可能导致模型学习到错误模式。
4.5 四种标签对比与选择策略
| 标签类型 | 准确性 | 覆盖率 | 时效性 | 人工成本 | 适用阶段 |
|---|---|---|---|---|---|
| 监管定义标签 | 极高 | 低（仅覆盖监管明确场景） | 低（更新慢） | 中 | 模型基础训练 |
| 专家规则标签 | 高 | 中 | 中 | 高 | 模型补充训练 |
| 历史案例标签 | 极高 | 极低 | 低 | 低（已有数据） | 模型验证与调优 |
| 半监督/无监督标签 | 中（需复核） | 高 | 高 | 中（复核成本） | 冷启动、新业务 |
推荐策略：
- 优先使用监管定义标签和历史案例标签作为核心正样本。
- 补充使用专家规则标签扩大正样本覆盖范围。
- 谨慎使用半监督/无监督标签，仅在前三类标签不足时启用，并建立严格的复核流程。
- 定期更新所有标签库，确保标签与最新监管要求和业务变化保持一致。