《Information》：A Bayesian-Optimized XGBoost Approach for Money Laundering Risk Prediction in Financial Transactions
Zihao Zuo,
Yang Jiang,
Rui Liang,
Jiabin Xu,
Hong Jiang,
Shizhuo Zhang,
Yunkai Chen and
Yanhong Peng
编辑推荐：
全球商业的快速扩张加剧了洗钱手法的复杂性，使得非法转移的检测成为一个紧迫但极具挑战性的研究问题。在操作性的反洗钱（AML）系统中，非法交易的极端稀有性往往使合规团队被大量误报淹没，导致严重的“警报疲劳”。为应对这一关键瓶颈，本文引入了一个增强的、基于概率的风险
全球商业的快速扩张加剧了洗钱手法的复杂性，使得非法转移的检测成为一个紧迫但极具挑战性的研究问题。在操作性的反洗钱（AML）系统中，非法交易的极端稀有性往往使合规团队被大量误报淹没，导致严重的“警报疲劳”。为应对这一关键瓶颈，本文引入了一个增强的、基于概率的风险优先级排序框架，该框架利用集成贝叶斯优化的XGBoost分类器（BO-XGBoost）。通过直接优化精确率-召回率曲线下面积（PR-AUC），该模型被专门设计用于在严重类别不平衡下对高风险异常进行排序。研究人员在一个人工重采样、模拟5%洗钱率的交易数据集上验证了所提出的方法。BO-XGBoost模型展现了卓越的优先级排序能力，达到了0.9686的ROC-AUC和0.7253的PR-AUC。最值得注意的是，它获得了近乎完美的Precision@1%，意味着被标记交易中最高的1%全部是真实的非法活动，在最高优先级层级完全消除了误报。基于对比分析和SHAP（Shapley加法解释）的可解释性分析证实，BO-XGBoost轻松超越了侧重序列性的深度学习基线。关键在于，它在峰值预测精确度上与计算昂贵的堆叠集成模型持平，同时在操作效率上显著超越后者，表明其在资源优化、真实世界的合规筛查中具有巨大潜力。
**研究背景与问题**
随着全球商业的快速扩张，洗钱手法日益复杂，使得非法交易的检测成为紧迫且极具挑战的研究课题。在操作性反洗钱（anti-money laundering, AML）系统中，非法交易极端稀少，导致合规团队被大量误报淹没，产生严重的“警报疲劳”（alert fatigue）。传统的基于规则引擎和专家系统的方法适应性差，难以应对新型洗钱手法，且无法充分利用大数据和非线性特征建模优势。机器学习（machine learning, ML）虽被引入，但多数方法将AML任务简单处理为二分类问题，输出刚性标签，无法提供校准的连续风险分数以支持交易优先级排序。此外，现代洗钱行为刻意模仿合法交易，嵌入在有限特征（如金额、时间戳、对手方）的复杂非线性交互中，而XGBoost等集成模型虽能捕获这些模式，但其性能高度依赖手动超参数调优，易陷入次优配置。为弥合二分类约束与实际AML优先级排序需求之间的差距，研究人员提出了一种增强的XGBoost框架，集成贝叶斯优化（Bayesian Optimization, BO）即BO-XGBoost，采用树结构Parzen估计器（Tree-structured Parzen Estimator, TPE）实现高效自适应的超参数搜索，输出鲁棒的连续风险分数以支持交易优先级排序。该研究在发表于《Information》的论文中展示了其核心贡献：将AML筛查重新定义为风险排序任务，直接优化PR-AUC；自动提取非线性模式并提升操作价值。研究得出关键结论：在模拟真实5%洗钱率的重采样测试集上，BO-XGBoost达到了0.9686的ROC-AUC和0.7253的PR-AUC，尤其在最高调查层级实现了近乎完美的Precision@1%（1.0000），完全消除了误报，同时保持了轻量级的模型效率，超过了序列性深度学习基线和计算昂贵的堆叠集成模型。
**主要关键技术方法**
研究人员采用以下关键技术方法：
（1）数据来源与预处理：数据来源于2024年全国大学生数学建模竞赛（问题B）的模拟交易数据集，包含200,000条记录（2024年1月1日至2024年12月31日），包含15个属性（13个数值型，2个分类型）及一个二分类目标变量（洗钱确认），原始正样本率50.38%。为模拟真实场景，保留集通过随机欠采样将非法交易率降至5%。
（2）特征工程：对交易金额进行log(1+amount)变换；提取时间衍生特征（小时、日、月）；对分类变量进行独热编码。
（3）模型构建：采用XGBoost分类器，集成Tree-structured Parzen Estimator（TPE）进行贝叶斯超参数优化，搜索空间包括学习率、最大深度、子采样比率、最小子节点权重、列采样等，优化目标为验证集上的PR-AUC（取负值作为损失函数），最多进行500次评估。最终使用最佳超参数重新训练模型。
（4）评估指标：采用阈值无关的排名指标——ROC-AUC、PR-AUC、Precision@K（尤其是Precision@1%）以及概率校准指标Brier得分。
**研究结果**
**4.3 特征可视化（Feature Visualization）**
通过BO-XGBoost分类器得出的特征重要性排名显示，前五大最影响特征依次为：货币来源（Currency source）、目的地国家（Destination country）、交易发生地国家（country）、行业（industry）和交易金额（Transaction amount）。其他重要特征包括时间特征（月、小时）、参与人数（People involved）和涉及机构。SHAP（SHapley Additive exPlanations）分析进一步揭示了模型区分高风险与低风险交易的机制：对于真实洗钱实例，货币来源、交易金额和目的地国家等特征的异常值产生强正SHAP值，推动风险概率升高；对于合法交易，标准行业特征和典型参与人数产生负SHAP值，降低风险分数。全局SHAP图显示，货币来源和目的地国家的高值系统性地将SHAP值向右拉伸，与洗钱风险呈强正相关。
**5. 实验结果与讨论（Experimental Results and Discussion）**
在重采样至5%洗钱率的测试集上，BO-XGBoost对比了多种基线模型。逻辑回归（Logistic Regression）表现最差（ROC-AUC=0.5115, PR-AUC=0.0544）；卷积神经网络（CNN）和长短期记忆网络（LSTM）等深度学习架构在独立非序列表格数据上排名能力极差（LSTM的Precision@1%=0.0000）；树集成模型表现鲁棒，随机森林（Random Forest）取得了最高的PR-AUC（0.8100）和最低的Brier得分（0.0530），CatBoost堆叠集成紧随其后。然而，BO-XGBoost在关键业务指标上表现卓越：尽管PR-AUC低于随机森林，但其ROC-AUC（0.9686）最高，且与随机森林持平地获得了近乎完美的Precision@1%（1.0000），意味着在最高优先级调查层级实现了零误报。同时，BO-XGBoost的Brier得分为0.0796，展现了良好的概率校准能力。分布图显示模型将合法交易压缩至低风险端，而将非法交易聚集在高风险尾端。ROC和PR曲线进一步确认了框架的可靠性。
**总结讨论与结论翻译**
**总结讨论**：BO-XGBoost在极端类别不平衡下，其高PR-AUC和近乎完美的Precision@1%确保了它能够自信地对可疑交易进行排序而不使调查人员陷入误报。这些特性在真实AML应用中特别有价值，因为它们最大化资源利用并缓解合规警报疲劳。但研究存在关键局限性：数据来源于数学建模竞赛的模拟环境，缺乏真实银行系统的持续对抗性动态；标准随机训练-测试分割引入了前瞻性偏差（信息泄露）；由于合成数据缺乏真实时间依赖性，极端概念漂移导致严格的时间外（Out-of-Time, OOT）验证失效，因此极高的性能指标主要反映模型隔离静态结构异常的能力，而非序列预测能力。未来方向包括在大型专有银行数据集上验证、集成动态数据漂移检测与在线学习、探索联邦学习与隐私保护训练范式。
**结论翻译**：本研究通过从刚性二分类转变为连续的概率驱动风险优先级排序框架，解决了反洗钱（AML）筛查中“警报疲劳”的关键操作挑战。研究人员开发了BO-XGBoost分类器，集成树结构Parzen估计器（TPE）以自主识别针对严重类别不平衡的最优超参数。在模拟真实5%异常率的严格重采样场景下评估，BO-XGBoost持续超越侧重序列性的深度学习架构——后者在非序列表格数据的归纳偏差上表现挣扎——并且匹配了计算昂贵的装袋（如随机森林）和堆叠集成的预测能力，同时保持了单一模型的敏捷效率。该框架的操作有效性由其卓越的排名指标凸显，包括0.9686的ROC-AUC、0.7253的PR-AUC以及0.0796的Brier得分（用于稳健的概率校准）。关键的是，该模型获得了近乎完美的Precision@1%（1.0000）。在商业语境中，这标志着模型在风险分布顶端隔离最极端、最明确的洗钱手法的稳健能力，从而在最高优先级调查层级实现零误报。此外，局部和全局SHAP分析确认模型的决策逻辑紧密契合既定的金融行动特别工作组（Financial Action Task Force, FATF）洗钱手法类型——主要锚定于货币来源、目的地国家和交易金额的背景异常——因此提供了严格监管环境所需的可解释性。
