3. 数据准备与清洗

贷后预警滚动率评估的准确性，高度依赖底层数据的质量。数据准备与清洗是建模流程中最耗时、最关键的环节之一。本节将系统梳理所需的核心数据字段、多源数据整合策略，以及缺失值与异常值的处理方法，确保后续滚动率计算与预警信号输出建立在可靠的数据基础之上。

3.1 所需核心数据字段

滚动率评估需要覆盖客户从授信到当前时点的全生命周期行为数据。根据评估目标，数据字段可分为以下四大类：

3.2 数据源整合策略

贷后预警数据通常分散在多个业务系统中。整合过程需遵循“客户-合同-还款”三层关联模型，确保数据在时间轴上的连续性与一致性。

整合流程分为以下四个步骤：

1. 主键统一： 以“客户ID + 合同号”作为唯一关联键，消除不同系统间的编码差异。
2. 时间对齐： 将所有数据的时间戳统一为“自然日”粒度，并补齐周末与节假日导致的缺失日期。
3. 行为归因： 将还款流水按合同号归集到对应账户，避免跨合同混淆。
4. 快照生成： 按观察时点生成客户级与合同级的月度/季度快照表，作为滚动率计算的直接输入。

3.3 缺失值处理

缺失值在贷后数据中普遍存在，主要成因包括：客户提前结清导致后续还款记录为空、新发放贷款尚未到首个还款日、数据接口传输异常等。处理策略需区分缺失类型：

3.4 异常值处理

异常值会直接扭曲滚动率的计算结果，常见异常类型包括：逾期天数超过合同期限、还款金额为负数、同一合同在同一天出现多条冲突记录等。处理流程如下：

• 规则校验： 设定字段级业务规则（如逾期天数 ∈ [0, 合同期限+30]），自动标记超出范围的记录。
• 逻辑校验： 检查时间顺序（如“还款日期”必须晚于“放款日期”），以及金额逻辑（如“实还金额”不应超过“应还金额”的120%）。
• 统计校验： 使用箱线图或Z-score方法识别连续型变量（如逾期天数、还款金额）的极端值。
• 人工复核： 对标记为异常但无法自动修正的记录，提交业务团队确认。

3.5 数据清洗质量检查清单

完成清洗后，建议按以下清单进行质量验证，确保数据可用性：