3. 特征工程总论：反洗钱模型的核心驱动力
在反洗钱（AML）领域，原始交易数据如同未经雕琢的矿石，而特征工程则是将矿石提炼为黄金的冶炼工艺。没有高质量的特征，再先进的模型也无法有效识别洗钱行为。本章将系统阐述特征工程在反洗钱模型中的核心作用、主要特征类型以及标准化的工程流程。
3.1 特征工程的核心作用
特征工程是将原始数据转化为模型可理解、可学习的数值化表示的过程。在反洗钱场景中，其核心作用体现在以下三个方面：
- 提升模型识别精度：通过构造聚合特征（如“过去30天累计交易金额”），将分散的交易行为转化为高信息密度的指标，显著提升模型对异常模式的敏感度。
- 降低数据噪声与维度：原始交易数据包含大量无关信息（如交易流水号）。特征工程通过筛选、变换和降维，保留最相关的信号，减少模型过拟合风险。
- 注入领域知识：反洗钱专家经验（如“快进快出”模式、拆分交易规避报告阈值）可以通过特征工程显式编码，使模型具备业务洞察力。
关键认知：在反洗钱建模中，特征工程往往比模型算法本身更重要。一个简单的逻辑回归配合精心设计的特征，其效果可能远超一个复杂的深度神经网络使用原始数据。
3.2 反洗钱特征类型全景
反洗钱特征可归纳为四大类型：数值特征、类别特征、时序特征和图特征。下表对比了各类特征的特点与典型应用：
| 特征类型 | 数据来源 | 典型反洗钱特征示例 | 处理难点 |
|---|---|---|---|
| 数值特征 | 交易金额、账户余额、交易频率 | 单笔交易金额、月均交易量、余额波动率 | 长尾分布、异常值处理 |
| 类别特征 | 交易类型、国家代码、行业分类 | 交易渠道（网银/柜面）、对手方风险等级 | 高基数类别、低频类别编码 |
| 时序特征 | 交易时间戳、登录时间、事件序列 | 交易间隔、夜间交易占比、序列模式 | 时间窗口选择、序列对齐 |
| 图特征 | 交易网络、资金流向、关联账户 | 节点中心度、社区归属、环路检测 | 大规模图计算、动态图更新 |
实践建议：在项目初期，优先构建数值和类别特征，它们通常能提供80%的模型效果。时序和图特征虽然信息密度更高，但计算成本和复杂度也显著增加，建议在基线模型建立后逐步引入。
3.3 特征工程标准流程
一个完整的反洗钱特征工程流程包含五个关键阶段，如下图所示：
3.4 各阶段关键技术与实践
3.4.1 数据采集与清洗
反洗钱数据源通常包括：
- 内部交易系统：交易流水、账户信息、客户KYC资料。
- 外部情报源：制裁名单、政治公众人物（PEP）名单、负面新闻。
- 行为日志：登录日志、设备指纹、IP地址。
清洗阶段需特别注意：
- 对金额字段进行截尾处理（如99%分位数截断），避免极端值影响。
- 对类别字段中的未知值单独编码为“UNKNOWN”类别，而非直接删除。
3.4.2 特征构建方法
以下代码展示了使用Python进行反洗钱特征构建的典型模式：
import pandas as pd
import numpy as np
# 示例：对交易数据按账户ID进行聚合特征构建
def build_aml_features(transactions_df):
features = transactions_df.groupby('account_id').agg(
total_amount_30d = ('amount', lambda x: x.sum()),
avg_amount_30d = ('amount', 'mean'),
std_amount_30d = ('amount', 'std'),
transaction_count_30d = ('transaction_id', 'count'),
max_single_amount = ('amount', 'max'),
night_ratio = ('hour', lambda x: (x >= 22).sum() / len(x) if len(x) > 0 else 0),
unique_counterparties = ('counterparty_id', 'nunique')
).reset_index()
return features3.4.3 特征选择与监控
特征选择常用方法对比：
| 方法类别 | 代表算法 | 优点 | 反洗钱适用场景 |
|---|---|---|---|
| 过滤法 | IV值、卡方检验、相关系数 | 计算快、独立于模型 | 大规模特征初筛 |
| 包裹法 | 递归特征消除（RFE） | 考虑特征交互 | 特征数较少时的精调 |
| 嵌入法 | L1正则化、树模型特征重要性 | 训练与选择同步 | 基线模型建立阶段 |
常见陷阱：在反洗钱特征监控中，切勿仅关注模型AUC指标。特征分布漂移（如“平均交易金额”突然上升）可能先于模型性能下降数周出现，应建立特征级PSI（群体稳定性指标）预警机制。