4. 特征工程入门
在贷后逾期概率预测中，模型算法决定上限，而特征工程决定下限。同一份贷后数据，不同特征构建方式带来的KS差异可能超过0.1。本节围绕五类核心特征——客户画像、还款行为、额度使用、历史逾期、外部征信，讲清构建方法与常见陷阱。
一、核心原理：特征工程是把业务知识翻译成模型语言
贷后预测的本质是回答一个问题：这个客户在未来某个观察窗口内逾期概率有多高？ 特征工程的任务，就是把与这个问题相关的历史信息，压缩成模型可计算的数值向量。好的特征具备三个属性：
- 预测性：与目标变量（如M1+逾期）有稳定相关性；
- 时效性：特征计算时点严格早于观察窗口起点，避免未来信息泄露；
- 可解释性：业务人员能理解特征含义，便于策略落地与监管沟通。
二、五类特征的构建方法
1. 客户画像特征
刻画客户“是谁”，包括年龄、性别、地域、职业、学历、婚姻状况、收入区间、行业类别等。构建要点：连续变量分箱（如年龄按18-25、26-35、36-45、46+分段），类别变量做目标编码或WOE编码。注意职业与行业字段缺失率高，需单独设置“未知”类别而非直接填充众数。
2. 还款行为特征
刻画客户“怎么还钱”，是贷后预测中最强的特征族。常见构建方式：
- 近3/6/12期按时还款次数、比例；
- 平均还款提前天数、最大提前天数、是否经常踩点还款；
- 还款金额波动率（标准差/均值）；
- 最近一次还款距今天数。
3. 额度使用特征
刻画客户“用了多少钱”，反映资金紧张程度。核心指标包括：额度使用率（已用额度/授信额度）、近3月使用率变化趋势、是否长期满额、提额后使用率跳升幅度。使用率突然从60%升至95%往往是风险信号。
4. 历史逾期特征
刻画客户“过去是否违约”。构建时需区分严重程度与时间衰减：
- 历史最大逾期天数、逾期次数、逾期期数；
- 最近一次逾期距今天数（越近权重越高）；
- 是否出现过M2+、M3+；
- 逾期后是否结清、结清用时。
5. 外部征信特征
刻画客户“在别处表现如何”。包括多头借贷机构数、近3月查询次数、外部负债总额、担保信息、征信评分等。外部特征需注意数据获取时点与更新频率，避免用T+30的数据预测T+1的标签。
三、方法流程与代码示例
标准流程为：确定观察点 → 划分观察窗口与表现窗口 → 按客户聚合特征 → 时间切分验证 → 缺失值与异常值处理。以下为按客户聚合还款行为的示例：
import pandas as pd
# 假设 repay_df 含 customer_id, repay_date, due_date, repay_amt
repay_df['early_days'] = (repay_df['due_date'] - repay_df['repay_date']).dt.days
feat = repay_df.groupby('customer_id').agg(
repay_cnt=('repay_amt', 'count'),
avg_early_days=('early_days', 'mean'),
max_early_days=('early_days', 'max'),
repay_amt_std=('repay_amt', 'std'),
last_repay_days=('repay_date', lambda x: (obs_date - x.max()).days)
).reset_index()
# 近6期按时还款比例
recent = repay_df[repay_df['repay_date'] >= obs_date - pd.Timedelta(days=180)]
on_time_rate = recent.groupby('customer_id').apply(
lambda g: (g['early_days'] >= 0).mean()
).rename('on_time_rate_6m')
feat = feat.merge(on_time_rate, on='customer_id', how='left')四、特征清单与业务含义对照
| 特征族 | 代表特征 | 业务含义 | 风险方向 |
|---|---|---|---|
| 客户画像 | 年龄、收入区间、行业 | 还款能力与稳定性 | 收入越低风险越高 |
| 还款行为 | 平均提前天数、按时还款率 | 还款意愿与习惯 | 提前天数越少风险越高 |
| 额度使用 | 额度使用率、近3月变化 | 资金紧张程度 | 使用率越高风险越高 |
| 历史逾期 | 最大逾期天数、最近逾期距今 | 历史违约严重度 | 逾期越近越严重风险越高 |
| 外部征信 | 多头机构数、查询次数 | 外部负债与借贷冲动 | 多头越多风险越高 |
五、案例场景：一次特征泄露导致的模型翻车
某消费金融团队在贷后模型中加入了“近30天还款成功次数”，离线AUC达到0.82，上线后KS仅0.21。复盘发现：该特征计算时使用了标签观察窗口内的还款记录，而逾期客户在观察窗口内往往不会产生成功还款，导致特征与标签高度共线。修正方法是将特征计算截止时间前移至观察窗口起点，AUC回落至0.71，但上线KS稳定在0.38。
六、复盘要点
- 时间切分优先于随机切分：贷后数据具有强时间性，随机切分会导致同客户跨期泄露。
- 缺失值本身是信息：外部征信缺失可能意味着客户从未借贷，应单独编码而非简单填充。
- 特征稳定性监控：上线后按月监控PSI，PSI超过0.25需触发特征重训。
- 可解释性优先：贷后策略常需向风控委员会解释，优先保留业务含义清晰的特征。