4. 单笔交易特征：交易金额、交易时间、交易频次、交易类型等基础特征的提取与衍生

单笔交易特征是支付风控特征工程中最基础、最直接的信号来源。每一笔交易在到达风控系统时，都会携带一组原始字段，如交易金额、交易时间、交易类型等。这些原始字段虽然能提供一定的风险判别能力，但往往过于粗糙，需要通过特征提取与特征衍生来释放其真正的区分度。

4.1 基础特征提取：从原始字段到可用信号

原始交易字段通常以字符串或数值形式存在，不能直接用于模型训练。基础特征提取的目标是将这些字段转化为标准化、可计算的数值特征。

4.2 交易金额的深度衍生

交易金额本身是一个连续型数值，但直接使用原始值容易受到极端值影响。常见的衍生方式包括：

• 对数变换：log_amount = log(txn_amount + 1)，压缩长尾分布，使特征更接近正态分布。
• 金额分箱：将金额划分为若干区间，如 [0, 100), [100, 1000), [1000, 10000), [10000, +∞)，转化为有序类别特征。
• 金额与阈值的比值：如 amount / avg_amount_last_7d，衡量当前交易金额相对于用户历史习惯的偏离程度。
• 金额尾数特征：提取金额的小数部分或最后几位数字，如 amount % 100，用于识别测试交易或试探性交易。

# 金额衍生特征计算示例（Python 伪代码）
def derive_amount_features(txn_amount, user_avg_amount_7d):
    features = {}
    features['log_amount'] = np.log(txn_amount + 1)
    features['amount_bin'] = pd.cut([txn_amount], bins=[0, 100, 1000, 10000, np.inf], labels=[0,1,2,3])[0]
    features['amount_ratio_to_avg'] = txn_amount / (user_avg_amount_7d + 1e-6)
    features['amount_tail'] = txn_amount % 100
    return features

4.3 交易时间的周期性与异常检测

交易时间特征的核心价值在于捕捉周期性和异常时段。单一的时间戳无法体现用户的行为模式，必须通过衍生来暴露风险信号。

4.4 交易频次与交易类型的组合衍生

单笔交易的频次特征无法独立存在，必须结合时间窗口和交易类型进行组合衍生。频次特征的核心是速率和密度。

4.5 交易类型与金额的交叉衍生

单一维度的特征往往不够，交叉衍生能产生更强的非线性信号。常见的交叉组合包括：

• 类型 × 金额分箱：如 transfer_large_amount，标记大额转账交易。
• 类型 × 时间：如 purchase_night，标记深夜购物行为。
• 类型 × 频次：如 high_freq_small_purchase，标记高频小额试探交易。
• 类型 × 渠道：如 transfer_from_mobile，标记移动端转账。

# 交叉衍生特征示例
def cross_derive_features(txn):
    features = {}
    # 大额转账标记
    if txn['type'] == 'transfer' and txn['amount'] > 500000:
        features['is_large_transfer'] = 1
    else:
        features['is_large_transfer'] = 0

    # 深夜消费标记
    if txn['type'] == 'purchase' and (txn['hour'] < 6 or txn['hour'] >= 23):
        features['is_night_purchase'] = 1
    else:
        features['is_night_purchase'] = 0

    # 高频小额试探标记（需结合历史窗口）
    if txn['txn_count_1h'] > 5 and txn['amount'] < 100:
        features['is_high_freq_small'] = 1
    else:
        features['is_high_freq_small'] = 0

    return features

4.6 特征工程流水线：从原始数据到特征向量

在实际生产环境中，单笔交易特征的提取与衍生需要构建一个可复用的流水线（Pipeline），确保每一笔交易都能实时产出相同的特征集合。

4.7 本章小结

单笔交易特征是支付风控特征工程的基石。本章从基础特征提取出发，深入讲解了交易金额、交易时间、交易频次、交易类型的深度衍生与交叉组合方法。核心要点包括：

• 原始字段必须经过标准化和编码才能进入模型。
• 金额特征需要做对数变换、分箱和偏离度计算。
• 时间特征的价值在于对比用户历史习惯和全局风险时段。
• 频次特征必须结合时间窗口和交易类型，窗口选择要覆盖多尺度。
• 交叉衍生能产生更强的非线性信号，是特征工程的高价值区域。
• 生产环境必须构建幂等、实时、可回溯的特征工程流水线。