简介这份PDF资料围绕反洗钱交易行为监控模型展开重点研究基于径向基函数RBF神经网络的智能检测方法适合金融机构风控人员、反洗钱规则设计者及机器学习、数据建模相关读者。资源包含论文全文与实验分析从洗钱犯罪背景、国内外监控系统发展趋势到基于APC-III和RIS构建RBF神经网络模型的思路均有涉及可帮助理解如何利用神经网络对可疑交易进行实时标注与追踪提升检测率并降低误报率。包内共1个文件为PDF格式整包大小约233KB轻量易下载阅读。目前已有268人学习可用于金融安全、智能风控、反洗钱课题研究或论文参考。读完可获得神经网络监控模型的整体分析框架对开展交易行为识别、异常资金流动检测等工作具有实际借鉴意义。1. 反洗钱交易行为监控为什么从规则引擎转向神经网络反洗钱监控的传统做法是人工设定阈值单笔转账超 100 万、当日累计交易超 5 次、夜间频繁转账等触发条件全部命中后系统生成预警交给合规人员复核。这套模式对“明显异常”的交易有效但洗钱资金在真实场景里往往被拆分成低于阈值的小额订单分散到多个账户再以消费、理财、跨境转账等不同渠道快速流转纯规则很难捕捉这种分散式、时序性的隐蔽特征。神经网络的价值在于不依赖人工预设的具体阈值而是从大量已确认的可疑和正常交易中自动学习“哪些行为组合更像洗钱”因此能发现规则引擎漏掉的“弱信号”组合。这篇内容围绕反洗钱场景落地神经网络监控模型的完整流程展开覆盖数据构造、模型训练、阈值校准和上线后的持续验证适合正在做金融风控、反欺诈系统或者刚接触神经网络在交易异常检测中应用的工程与算法人员。2. 反洗钱交易行为监控模型的数据构造与特征工程2.1 先把业务标签定义清楚反洗钱监控要预测什么神经网络做反洗钱交易行为监控本质上是一个二分类问题给出一条交易记录或者一个账户在某个时间窗口内的行为集合预测它是否属于可疑交易。常见做法是用历史可疑交易报告、监管处罚案例以及人工复核后确认的命中记录作为正样本把没有触发任何预警且经过复核无异常的交易作为负样本。这里有一个关键陷阱未触发预警不代表正常可能只是没有被发现。工程上通常采用“规则人工复核”双确认机制只有复核人员明确标注为可疑的记录才进入正样本集降低标签噪声对神经网络训练的影响。标签的粒度也需要提前决定。交易级还是账户级直接决定特征矩阵的结构。交易级模型输入单笔交易的字段和上下文特征适合拦截单笔大额异常转账账户级模型输入某个账户在连续 T 天内的行为序列能识别资金归集、快进快出、分散转出这类跨多笔交易才显现的模式。实际反洗钱业务里账户级更常用因为绝大多数洗钱行为单笔都伪装得很正常。# 交易流水原始数据示例结构 # account_id: 账户标识 # txn_time: 交易时间 # txn_type: 交易类型如 TRANSFER/WITHDRAW/PAYMENT # txn_amt: 交易金额 # counter_party: 对手方信息 # channel: 渠道如 APP/WEB/COUNTER # is_suspicious: 人工复核后的标签1为可疑0为正常 import pandas as pd df pd.read_csv(txn_log.csv, parse_dates[txn_time]) df df.sort_values([account_id, txn_time]) # 账户级滑动窗口聚合特征 feature_df df.groupby(account_id).apply( lambda x: pd.Series({ window_days: (x[txn_time].max() - x[txn_time].min()).days 1, txn_count: len(x), total_amt: x[txn_amt].sum(), max_single_amt: x[txn_amt].max(), min_single_amt: x[txn_amt].min(), avg_amt: x[txn_amt].mean(), std_amt: x[txn_amt].std(), night_txn_ratio: ((x[txn_time].dt.hour 23) | (x[txn_time].dt.hour 4)).mean(), counter_party_count: x[counter_party].nunique(), channel_count: x[channel].nunique(), }) ).reset_index()代码逻辑上把原始逐笔流水按账户分组在一个时间窗口内聚合成一条账户行为特征。night_txn_ratio计算夜间交易占比这是洗钱行为中常见的时间特征counter_party_count统计对手方去重个数资金分散转入转出时该值会显著偏高。对于神经网络输入而言聚合特征相比原始逐笔流水维度更低、信息更集中也更容易对齐标签。2.2 特征工程里最容易出效果的两个方向时序窗口与资金快进快出反洗钱场景里时序信息比静态特征更有判别力。比如“今日转入 80 万、三小时内分散转出到 20 个账户”这类行为单看任何一笔都不异常但组合起来指向性非常明显。构造这类特征的基本手法是滑窗统计以当前交易时间为基准向前取 1 天、7 天、30 天三个窗口分别计算窗口内累计转入金额、累计转出金额、交易笔数、对手方数量、最大单笔金额等。窗口设定在有明显周期性行为如工资发放日、账单日时需要避开对应的日期否则神经网络会把周期性误学成异常信号。资金快进快出Fast In, Fast Out特征同样值得优先构造。计算逻辑是对每个账户统计单笔资金流入后 24 小时内被转出的比例和最快转出耗时。实现方式可以按账户分组后对时间排序对每一笔转入交易寻找其后 24 小时内的第一笔转出交易计算时间差金额比。这类特征与洗钱行为的相关性在监管规则里已被反复验证放进神经网络中能有效降低模型对纯数据模式的依赖。特征类目特征示例构造方式业务含义交易频率7 日内交易笔数、日内峰值笔数滑窗计数识别拆分交易、频繁试探金额分布平均金额、金额方差、最大最小金额比窗口聚合识别规避大额上报阈值的拆单时间偏好夜间交易占比、凌晨操作次数按小时统计识别刻意避人耳目的行为对手方复杂度对手方数量、是否涉高风险地区唯一值计数识别资金归集与分散资金周转快进快出比例、资金停留时长时间差计算识别过渡性账户特征特征构造完成后必须做训练集和测试集的时间切分用前 80% 时间段的账户数据训练后 20% 时间段的账户数据验证。不能用随机切分因为反洗钱模型面向的是未来交易而随机切分会把同一账户的行为同时分到训练集和测试集模型记住账户 ID 也能获得不错的效果上线后遇到新账户时性能会断崖式下跌。3. 用神经网络搭建洗钱行为识别模型并调参3.1 为什么选神经网络而不是逻辑回归或树模型在反洗钱交易行为监控场景里逻辑回归和 XGBoost 仍然被大量使用神经网络并非无条件更优。但当特征数量超过几百维且特征之间存在较复杂的非线性交互比如“夜间交易占比高”和“对手方数量多”单独看都不突出组合起来才可疑神经网络的表达优势就会体现出来。树模型能自动处理特征交互可它学到的交互是条件式的、局部的对于连续型的深度交互特征不如神经网络平滑。前馈神经网络足够处理前述面板结构特征。输入层接聚合后的账户行为特征中间两层到三层的全连接层输出层接一个神经元做二分类概率预测。更激进的做法是用 LSTM 或 Transformer 直接建模账户的逐笔交易序列跳过人工特征聚合但这种方案对训练数据量和算力的要求高很多。工程上更务实的路径是先做特征工程用前馈网络跑通基准如果业务方要求抓住更细微的时序模式再把最后一层替换为时序编码器。import torch import torch.nn as nn import torch.optim as optim from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split # 假设 feature_df 包含聚合特征label 为可疑标签 X feature_df.drop(columns[account_id, label]).values y feature_df[label].values # 标准化神经网络对输入尺度敏感 scaler StandardScaler() X_scaled scaler.fit_transform(X) X_train, X_val, y_train, y_val train_test_split( X_scaled, y, test_size0.2, random_state42 ) X_train_t torch.tensor(X_train, dtypetorch.float32) y_train_t torch.tensor(y_train, dtypetorch.float32) X_val_t torch.tensor(X_val, dtypetorch.float32) y_val_t torch.tensor(y_val, dtypetorch.float32) class AMLNet(nn.Module): def __init__(self, input_dim): super().__init__() self.net nn.Sequential( nn.Linear(input_dim, 128), nn.BatchNorm1d(128), nn.ReLU(), nn.Dropout(0.3), nn.Linear(128, 64), nn.ReLU(), nn.Dropout(0.3), nn.Linear(64, 1), nn.Sigmoid() ) def forward(self, x): return self.net(x) model AMLNet(X_train.shape[1]) criterion nn.BCELoss() optimizer optim.Adam(model.parameters(), lr1e-3, weight_decay1e-4) for epoch in range(30): model.train() optimizer.zero_grad() pred model(X_train_t).squeeze() loss criterion(pred, y_train_t) loss.backward() optimizer.step() if epoch % 5 0: model.eval() with torch.no_grad(): val_pred model(X_val_t).squeeze() val_loss criterion(val_pred, y_val_t) print(fEpoch {epoch}, train_loss{loss.item():.4f}, val_loss{val_loss.item():.4f})模型结构上第一层从输入维度映射到 128 维经过批归一化和 ReLU 激活后接 Dropout第二层降到 64 维最后输出一个 0 到 1 之间的概率值。BatchNorm1d在这里的用途是缓解反洗钱特征尺度差异大的问题比如金额类特征经过标准化后仍有极长尾分布批归一化能让每层输入的分布更稳定。Dropout(0.3)是防止模型对训练集中的可疑样本死记硬背反洗钱数据往往来自少量账户正样本之间相似度高Dropout 能迫使模型学习更泛化的模式。3.2 反洗钱模型训练时必调的 4 个参数参数取值范围建议反洗钱场景下的设置逻辑调参后观察指标学习率1e-4 至 1e-3正样本占比极低时学习率过大会让损失震荡训练损失与验证损失之差批大小256 至 2048反洗钱数据量大但特征维度不高可适当扩大单轮训练耗时与收敛速度Dropout0.2 至 0.5正样本少Dropout 太低容易过拟合验证集 AUC 与 PR-AUC隐藏层宽度64 至 256宽度超过 256 对反洗钱特征收益极低训练效率与内存占用学习率在反洗钱场景中往往要比通用分类任务设置得更保守。原因是正样本比例通常低于 1%模型初期容易陷入把全部样本预测为负类的局部最优此时过大的学习率会让梯度在少数正样本上反复震荡。批大小的设置需要考虑到损失函数的结构如果用了后面要讲的难样本挖掘或焦点损失批大小太小会导致每个批次内难样本数量不稳定损失曲线震荡明显。建议先固定学习率 1e-3、批大小 512跑 20 轮观察损失曲线再根据曲线形态调整。训练完成后模型的评估不能沿用默认的准确率指标。反洗钱数据里如果只有 0.5% 的可疑交易模型把全部样本都判为正常也能得到 99.5% 的准确率但这个模型毫无价值。评估指标应聚焦 PR-AUC精确率-召回率曲线下面积它不受负样本占比过大的影响能反映模型在低召回率区间里的精确率表现。如果 PR-AUC 低于 0.1通常说明特征与标签的信号太弱先去优化特征而非加宽模型。4. 样本不均衡与阈值校准让反洗钱模型真正好用4.1 反洗钱数据集天然有极高的样本不均衡比例真实交易数据里被确认可疑的比例通常在千分之一到万分之一。直接拿原始比例训练神经网络模型会把所有样本预测为负类因为把正样本全部判错的损失远小于把负样本误判的损失。解决这个问题有两个层级数据级的重采样和算法级的损失函数改造。数据级操作常见的做法是 SMOTE 过采样和随机欠采样组合使用。对反洗钱交易行为监控模型单纯用 SMOTE 容易在特征空间中生成不真实的交易组合比如把“夜间交易占比 0.8”和“日交易笔数 3”合成出来业务上一看就不合理。更稳妥的做法是只对正样本做 SMOTE且生成样本后由规则模块做一轮过滤剔除与现有特征分布矛盾比较明显的合成样本。欠采样负样本时也要注意保留时间多样性不能只取某几个月份的正常交易否则模型会对时间产生隐性依赖。算法级的改造是把损失函数换成焦点损失。焦点损失在二元交叉熵的基础上增加了一个调制因子当模型对样本的预测概率足够高时梯度会大幅衰减模型注意力自然转向那些难以区分的样本。这个特性非常适合反洗钱场景因为可疑交易和正常交易之间有大量边界样本人工复核确认的标签本身也有噪声焦点损失能让模型不纠结于模糊样本。import torch.nn.functional as F class FocalLoss(nn.Module): def __init__(self, alpha0.75, gamma2.0): super().__init__() self.alpha alpha self.gamma gamma def forward(self, pred, target): epsilon 1e-7 pred pred.clamp(epsilon, 1 - epsilon) ce_loss -target * torch.log(pred) \ - (1 - target) * torch.log(1 - pred) p_t target * pred (1 - target) * (1 - pred) weight torch.pow(1 - p_t, self.gamma) alpha_t target * self.alpha (1 - target) * (1 - self.alpha) loss alpha_t * weight * ce_loss return loss.mean() criterion FocalLoss(alpha0.75, gamma2.0)alpha参数控制正负样本的权重均衡0.75 意味着正样本的损失权重是负样本的三倍gamma参数控制困难样本聚焦程度值越大模型对易分样本的关注越低。在反洗钱模型里gamma2.0是个比较稳妥的起点如果验证集 PR-AUC 下降但召回率在同一精确率下有所提升可以尝试调整alpha向 0.9 靠近。4.2 阈值不是拍脑袋定的要看业务拦截负担模型输出的是概率值到底阈值为 0.5 还是 0.9 才应该触发预警取决于合规团队每天能处理多少条预警。把一个反洗钱模型部署上线前需要和业务方确认两条硬性约束最大预警量每天最多审核多少条和最低召回率监管要求可疑交易捕获率不低于多少。这两个约束决定阈值的搜索方向。阈值精确率召回率每日预警量按 100 万笔交易估算0.950.320.185600.850.210.3416200.700.120.5545800.500.060.7212000从表格里可以看出降低阈值时召回率提升明显但精确率会跳水预警量指数级增长。反洗钱场景里推荐的做法是先定最大预警量再在验证集上遍历 0.5 到 0.95 之间的阈值找到满足预警量约束的阈值然后看召回率是否达到监管要求。这里还有一个业务细节阈值确定后需要回看被漏掉的正样本统计它们主要分布在哪些特征区间。如果发现漏网样本集中在某个特定的大额区间可以直接在神经网络判断之外叠加一条规则形成“AI 模型 兜底规则”的混合监控体系这比强行调阈值更可靠。线上使用时的阈值还应该加入季节性和灰度调整。反洗钱交易行为的分布不是静止的年终、购物节期间交易量大增直接把模型概率用于判断会导致预警量飙升。工程上会给概率值做标准化校准把当前批次交易的概率分布拉回到训练集时的分布尺度再与固定阈值比较避免业务高峰期的误报雪崩。5. 上线后做两件事用可视化反推模型逻辑用 Shadow 模式验证稳定性模型训练完成、阈值确定之后先不要急着全量替换规则引擎。推荐使用 Shadow 模式让神经网络与现有规则引擎并行运行神经网络只输出分析结果而不直接拦截交易。运行两到四周积累对比数据重点观察两个方面神经网络新发现的预警中有多少经过人工复核后确认可疑规则引擎命中但神经网络未命中的样本主要差异在哪。这个过程能用最小代价暴露特征遗漏和数据分布漂移等问题。针对神经网络难以解释的问题工程上的常用工具是 SHAP。它能计算每个特征对预测结果的贡献值并且能看出正负方向。对于反洗钱监控SHAP 的可解释性不是为了应付监管合规而是让合规审核人员在对模型预警进行复核时能直接看到是“对手方数量过多”还是“夜间交易占比过高”触发了判断从而更快决定是否放行。SHAP 在推理侧的耗时远高于模型本身生产中不建议实时计算而是离线生成一批样本的特征贡献分布把 Top 特征对应到人工可读的描述语句中缓存起来复核时直接调取。最后一步是用新流入的交易数据做周期性验证。反洗钱业务中交易模式会随金融产品创新而变化一个只在某支付渠道上使用的神经网络特征组合会在渠道调整后快速失效。按月重新评估 PR-AUC 和阈值对应的精确率召回率当验证集 PR-AUC 相比训练时期下降超过 15%就需要启动增量训练或特征重构流程。增量训练时用新数据叠加旧数据的采样集学习率降低到原训练时的十分之一避免灾难性遗忘。整个反洗钱监控模型的落地点不是一次训练出结果而是形成“样本回流—再训练—Shadow 验证—灰度上线”的闭环迭代机制让神经网络始终跟上交易行为的变化。本文还有配套的精品资源点击获取
反洗钱交易行为监控：神经网络模型从特征工程到上线实践
简介这份PDF资料围绕反洗钱交易行为监控模型展开重点研究基于径向基函数RBF神经网络的智能检测方法适合金融机构风控人员、反洗钱规则设计者及机器学习、数据建模相关读者。资源包含论文全文与实验分析从洗钱犯罪背景、国内外监控系统发展趋势到基于APC-III和RIS构建RBF神经网络模型的思路均有涉及可帮助理解如何利用神经网络对可疑交易进行实时标注与追踪提升检测率并降低误报率。包内共1个文件为PDF格式整包大小约233KB轻量易下载阅读。目前已有268人学习可用于金融安全、智能风控、反洗钱课题研究或论文参考。读完可获得神经网络监控模型的整体分析框架对开展交易行为识别、异常资金流动检测等工作具有实际借鉴意义。1. 反洗钱交易行为监控为什么从规则引擎转向神经网络反洗钱监控的传统做法是人工设定阈值单笔转账超 100 万、当日累计交易超 5 次、夜间频繁转账等触发条件全部命中后系统生成预警交给合规人员复核。这套模式对“明显异常”的交易有效但洗钱资金在真实场景里往往被拆分成低于阈值的小额订单分散到多个账户再以消费、理财、跨境转账等不同渠道快速流转纯规则很难捕捉这种分散式、时序性的隐蔽特征。神经网络的价值在于不依赖人工预设的具体阈值而是从大量已确认的可疑和正常交易中自动学习“哪些行为组合更像洗钱”因此能发现规则引擎漏掉的“弱信号”组合。这篇内容围绕反洗钱场景落地神经网络监控模型的完整流程展开覆盖数据构造、模型训练、阈值校准和上线后的持续验证适合正在做金融风控、反欺诈系统或者刚接触神经网络在交易异常检测中应用的工程与算法人员。2. 反洗钱交易行为监控模型的数据构造与特征工程2.1 先把业务标签定义清楚反洗钱监控要预测什么神经网络做反洗钱交易行为监控本质上是一个二分类问题给出一条交易记录或者一个账户在某个时间窗口内的行为集合预测它是否属于可疑交易。常见做法是用历史可疑交易报告、监管处罚案例以及人工复核后确认的命中记录作为正样本把没有触发任何预警且经过复核无异常的交易作为负样本。这里有一个关键陷阱未触发预警不代表正常可能只是没有被发现。工程上通常采用“规则人工复核”双确认机制只有复核人员明确标注为可疑的记录才进入正样本集降低标签噪声对神经网络训练的影响。标签的粒度也需要提前决定。交易级还是账户级直接决定特征矩阵的结构。交易级模型输入单笔交易的字段和上下文特征适合拦截单笔大额异常转账账户级模型输入某个账户在连续 T 天内的行为序列能识别资金归集、快进快出、分散转出这类跨多笔交易才显现的模式。实际反洗钱业务里账户级更常用因为绝大多数洗钱行为单笔都伪装得很正常。# 交易流水原始数据示例结构 # account_id: 账户标识 # txn_time: 交易时间 # txn_type: 交易类型如 TRANSFER/WITHDRAW/PAYMENT # txn_amt: 交易金额 # counter_party: 对手方信息 # channel: 渠道如 APP/WEB/COUNTER # is_suspicious: 人工复核后的标签1为可疑0为正常 import pandas as pd df pd.read_csv(txn_log.csv, parse_dates[txn_time]) df df.sort_values([account_id, txn_time]) # 账户级滑动窗口聚合特征 feature_df df.groupby(account_id).apply( lambda x: pd.Series({ window_days: (x[txn_time].max() - x[txn_time].min()).days 1, txn_count: len(x), total_amt: x[txn_amt].sum(), max_single_amt: x[txn_amt].max(), min_single_amt: x[txn_amt].min(), avg_amt: x[txn_amt].mean(), std_amt: x[txn_amt].std(), night_txn_ratio: ((x[txn_time].dt.hour 23) | (x[txn_time].dt.hour 4)).mean(), counter_party_count: x[counter_party].nunique(), channel_count: x[channel].nunique(), }) ).reset_index()代码逻辑上把原始逐笔流水按账户分组在一个时间窗口内聚合成一条账户行为特征。night_txn_ratio计算夜间交易占比这是洗钱行为中常见的时间特征counter_party_count统计对手方去重个数资金分散转入转出时该值会显著偏高。对于神经网络输入而言聚合特征相比原始逐笔流水维度更低、信息更集中也更容易对齐标签。2.2 特征工程里最容易出效果的两个方向时序窗口与资金快进快出反洗钱场景里时序信息比静态特征更有判别力。比如“今日转入 80 万、三小时内分散转出到 20 个账户”这类行为单看任何一笔都不异常但组合起来指向性非常明显。构造这类特征的基本手法是滑窗统计以当前交易时间为基准向前取 1 天、7 天、30 天三个窗口分别计算窗口内累计转入金额、累计转出金额、交易笔数、对手方数量、最大单笔金额等。窗口设定在有明显周期性行为如工资发放日、账单日时需要避开对应的日期否则神经网络会把周期性误学成异常信号。资金快进快出Fast In, Fast Out特征同样值得优先构造。计算逻辑是对每个账户统计单笔资金流入后 24 小时内被转出的比例和最快转出耗时。实现方式可以按账户分组后对时间排序对每一笔转入交易寻找其后 24 小时内的第一笔转出交易计算时间差金额比。这类特征与洗钱行为的相关性在监管规则里已被反复验证放进神经网络中能有效降低模型对纯数据模式的依赖。特征类目特征示例构造方式业务含义交易频率7 日内交易笔数、日内峰值笔数滑窗计数识别拆分交易、频繁试探金额分布平均金额、金额方差、最大最小金额比窗口聚合识别规避大额上报阈值的拆单时间偏好夜间交易占比、凌晨操作次数按小时统计识别刻意避人耳目的行为对手方复杂度对手方数量、是否涉高风险地区唯一值计数识别资金归集与分散资金周转快进快出比例、资金停留时长时间差计算识别过渡性账户特征特征构造完成后必须做训练集和测试集的时间切分用前 80% 时间段的账户数据训练后 20% 时间段的账户数据验证。不能用随机切分因为反洗钱模型面向的是未来交易而随机切分会把同一账户的行为同时分到训练集和测试集模型记住账户 ID 也能获得不错的效果上线后遇到新账户时性能会断崖式下跌。3. 用神经网络搭建洗钱行为识别模型并调参3.1 为什么选神经网络而不是逻辑回归或树模型在反洗钱交易行为监控场景里逻辑回归和 XGBoost 仍然被大量使用神经网络并非无条件更优。但当特征数量超过几百维且特征之间存在较复杂的非线性交互比如“夜间交易占比高”和“对手方数量多”单独看都不突出组合起来才可疑神经网络的表达优势就会体现出来。树模型能自动处理特征交互可它学到的交互是条件式的、局部的对于连续型的深度交互特征不如神经网络平滑。前馈神经网络足够处理前述面板结构特征。输入层接聚合后的账户行为特征中间两层到三层的全连接层输出层接一个神经元做二分类概率预测。更激进的做法是用 LSTM 或 Transformer 直接建模账户的逐笔交易序列跳过人工特征聚合但这种方案对训练数据量和算力的要求高很多。工程上更务实的路径是先做特征工程用前馈网络跑通基准如果业务方要求抓住更细微的时序模式再把最后一层替换为时序编码器。import torch import torch.nn as nn import torch.optim as optim from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split # 假设 feature_df 包含聚合特征label 为可疑标签 X feature_df.drop(columns[account_id, label]).values y feature_df[label].values # 标准化神经网络对输入尺度敏感 scaler StandardScaler() X_scaled scaler.fit_transform(X) X_train, X_val, y_train, y_val train_test_split( X_scaled, y, test_size0.2, random_state42 ) X_train_t torch.tensor(X_train, dtypetorch.float32) y_train_t torch.tensor(y_train, dtypetorch.float32) X_val_t torch.tensor(X_val, dtypetorch.float32) y_val_t torch.tensor(y_val, dtypetorch.float32) class AMLNet(nn.Module): def __init__(self, input_dim): super().__init__() self.net nn.Sequential( nn.Linear(input_dim, 128), nn.BatchNorm1d(128), nn.ReLU(), nn.Dropout(0.3), nn.Linear(128, 64), nn.ReLU(), nn.Dropout(0.3), nn.Linear(64, 1), nn.Sigmoid() ) def forward(self, x): return self.net(x) model AMLNet(X_train.shape[1]) criterion nn.BCELoss() optimizer optim.Adam(model.parameters(), lr1e-3, weight_decay1e-4) for epoch in range(30): model.train() optimizer.zero_grad() pred model(X_train_t).squeeze() loss criterion(pred, y_train_t) loss.backward() optimizer.step() if epoch % 5 0: model.eval() with torch.no_grad(): val_pred model(X_val_t).squeeze() val_loss criterion(val_pred, y_val_t) print(fEpoch {epoch}, train_loss{loss.item():.4f}, val_loss{val_loss.item():.4f})模型结构上第一层从输入维度映射到 128 维经过批归一化和 ReLU 激活后接 Dropout第二层降到 64 维最后输出一个 0 到 1 之间的概率值。BatchNorm1d在这里的用途是缓解反洗钱特征尺度差异大的问题比如金额类特征经过标准化后仍有极长尾分布批归一化能让每层输入的分布更稳定。Dropout(0.3)是防止模型对训练集中的可疑样本死记硬背反洗钱数据往往来自少量账户正样本之间相似度高Dropout 能迫使模型学习更泛化的模式。3.2 反洗钱模型训练时必调的 4 个参数参数取值范围建议反洗钱场景下的设置逻辑调参后观察指标学习率1e-4 至 1e-3正样本占比极低时学习率过大会让损失震荡训练损失与验证损失之差批大小256 至 2048反洗钱数据量大但特征维度不高可适当扩大单轮训练耗时与收敛速度Dropout0.2 至 0.5正样本少Dropout 太低容易过拟合验证集 AUC 与 PR-AUC隐藏层宽度64 至 256宽度超过 256 对反洗钱特征收益极低训练效率与内存占用学习率在反洗钱场景中往往要比通用分类任务设置得更保守。原因是正样本比例通常低于 1%模型初期容易陷入把全部样本预测为负类的局部最优此时过大的学习率会让梯度在少数正样本上反复震荡。批大小的设置需要考虑到损失函数的结构如果用了后面要讲的难样本挖掘或焦点损失批大小太小会导致每个批次内难样本数量不稳定损失曲线震荡明显。建议先固定学习率 1e-3、批大小 512跑 20 轮观察损失曲线再根据曲线形态调整。训练完成后模型的评估不能沿用默认的准确率指标。反洗钱数据里如果只有 0.5% 的可疑交易模型把全部样本都判为正常也能得到 99.5% 的准确率但这个模型毫无价值。评估指标应聚焦 PR-AUC精确率-召回率曲线下面积它不受负样本占比过大的影响能反映模型在低召回率区间里的精确率表现。如果 PR-AUC 低于 0.1通常说明特征与标签的信号太弱先去优化特征而非加宽模型。4. 样本不均衡与阈值校准让反洗钱模型真正好用4.1 反洗钱数据集天然有极高的样本不均衡比例真实交易数据里被确认可疑的比例通常在千分之一到万分之一。直接拿原始比例训练神经网络模型会把所有样本预测为负类因为把正样本全部判错的损失远小于把负样本误判的损失。解决这个问题有两个层级数据级的重采样和算法级的损失函数改造。数据级操作常见的做法是 SMOTE 过采样和随机欠采样组合使用。对反洗钱交易行为监控模型单纯用 SMOTE 容易在特征空间中生成不真实的交易组合比如把“夜间交易占比 0.8”和“日交易笔数 3”合成出来业务上一看就不合理。更稳妥的做法是只对正样本做 SMOTE且生成样本后由规则模块做一轮过滤剔除与现有特征分布矛盾比较明显的合成样本。欠采样负样本时也要注意保留时间多样性不能只取某几个月份的正常交易否则模型会对时间产生隐性依赖。算法级的改造是把损失函数换成焦点损失。焦点损失在二元交叉熵的基础上增加了一个调制因子当模型对样本的预测概率足够高时梯度会大幅衰减模型注意力自然转向那些难以区分的样本。这个特性非常适合反洗钱场景因为可疑交易和正常交易之间有大量边界样本人工复核确认的标签本身也有噪声焦点损失能让模型不纠结于模糊样本。import torch.nn.functional as F class FocalLoss(nn.Module): def __init__(self, alpha0.75, gamma2.0): super().__init__() self.alpha alpha self.gamma gamma def forward(self, pred, target): epsilon 1e-7 pred pred.clamp(epsilon, 1 - epsilon) ce_loss -target * torch.log(pred) \ - (1 - target) * torch.log(1 - pred) p_t target * pred (1 - target) * (1 - pred) weight torch.pow(1 - p_t, self.gamma) alpha_t target * self.alpha (1 - target) * (1 - self.alpha) loss alpha_t * weight * ce_loss return loss.mean() criterion FocalLoss(alpha0.75, gamma2.0)alpha参数控制正负样本的权重均衡0.75 意味着正样本的损失权重是负样本的三倍gamma参数控制困难样本聚焦程度值越大模型对易分样本的关注越低。在反洗钱模型里gamma2.0是个比较稳妥的起点如果验证集 PR-AUC 下降但召回率在同一精确率下有所提升可以尝试调整alpha向 0.9 靠近。4.2 阈值不是拍脑袋定的要看业务拦截负担模型输出的是概率值到底阈值为 0.5 还是 0.9 才应该触发预警取决于合规团队每天能处理多少条预警。把一个反洗钱模型部署上线前需要和业务方确认两条硬性约束最大预警量每天最多审核多少条和最低召回率监管要求可疑交易捕获率不低于多少。这两个约束决定阈值的搜索方向。阈值精确率召回率每日预警量按 100 万笔交易估算0.950.320.185600.850.210.3416200.700.120.5545800.500.060.7212000从表格里可以看出降低阈值时召回率提升明显但精确率会跳水预警量指数级增长。反洗钱场景里推荐的做法是先定最大预警量再在验证集上遍历 0.5 到 0.95 之间的阈值找到满足预警量约束的阈值然后看召回率是否达到监管要求。这里还有一个业务细节阈值确定后需要回看被漏掉的正样本统计它们主要分布在哪些特征区间。如果发现漏网样本集中在某个特定的大额区间可以直接在神经网络判断之外叠加一条规则形成“AI 模型 兜底规则”的混合监控体系这比强行调阈值更可靠。线上使用时的阈值还应该加入季节性和灰度调整。反洗钱交易行为的分布不是静止的年终、购物节期间交易量大增直接把模型概率用于判断会导致预警量飙升。工程上会给概率值做标准化校准把当前批次交易的概率分布拉回到训练集时的分布尺度再与固定阈值比较避免业务高峰期的误报雪崩。5. 上线后做两件事用可视化反推模型逻辑用 Shadow 模式验证稳定性模型训练完成、阈值确定之后先不要急着全量替换规则引擎。推荐使用 Shadow 模式让神经网络与现有规则引擎并行运行神经网络只输出分析结果而不直接拦截交易。运行两到四周积累对比数据重点观察两个方面神经网络新发现的预警中有多少经过人工复核后确认可疑规则引擎命中但神经网络未命中的样本主要差异在哪。这个过程能用最小代价暴露特征遗漏和数据分布漂移等问题。针对神经网络难以解释的问题工程上的常用工具是 SHAP。它能计算每个特征对预测结果的贡献值并且能看出正负方向。对于反洗钱监控SHAP 的可解释性不是为了应付监管合规而是让合规审核人员在对模型预警进行复核时能直接看到是“对手方数量过多”还是“夜间交易占比过高”触发了判断从而更快决定是否放行。SHAP 在推理侧的耗时远高于模型本身生产中不建议实时计算而是离线生成一批样本的特征贡献分布把 Top 特征对应到人工可读的描述语句中缓存起来复核时直接调取。最后一步是用新流入的交易数据做周期性验证。反洗钱业务中交易模式会随金融产品创新而变化一个只在某支付渠道上使用的神经网络特征组合会在渠道调整后快速失效。按月重新评估 PR-AUC 和阈值对应的精确率召回率当验证集 PR-AUC 相比训练时期下降超过 15%就需要启动增量训练或特征重构流程。增量训练时用新数据叠加旧数据的采样集学习率降低到原训练时的十分之一避免灾难性遗忘。整个反洗钱监控模型的落地点不是一次训练出结果而是形成“样本回流—再训练—Shadow 验证—灰度上线”的闭环迭代机制让神经网络始终跟上交易行为的变化。本文还有配套的精品资源点击获取
