2. 金融推理基础

在进入缓存与一致性之前，必须先厘清一个前提：金融推理不是“把模型跑起来”这么简单。它是一类在强约束条件下，对资金、风险与交易决策进行实时或准实时判断的计算过程。理解它的定义、典型任务，以及特征工程在推理链路中的位置，才能理解为什么缓存策略和数据一致性会成为工程成败的关键。

一、核心原理：金融推理到底在推理什么

金融推理可以定义为：以金融业务规则、统计模型或机器学习模型为决策函数，以用户、账户、交易、行情、资产等实体及其时序特征为输入，在可接受的时间与合规边界内输出风险评分、交易信号、推荐结果或审批结论的过程。它与通用推理最大的区别在于三点：

• 时效敏感：风控与反欺诈往往要求毫秒到百毫秒级响应，量化投研则对行情与因子的新鲜度极度敏感。
• 一致性敏感：同一用户在短时间内多次请求，若特征版本不一致，可能得到互相矛盾的结论，直接引发合规与资金风险。
• 可解释与可追溯：监管要求决策可回溯，因此推理时使用的特征快照、模型版本、规则版本都必须可审计。

因此，金融推理的本质不是单次函数调用，而是“特征—模型—决策—审计”四段式链路。特征工程并非前置的离线步骤，而是贯穿推理链路、决定结果质量与稳定性的核心环节。

二、典型任务：四类场景对推理的不同诉求

金融推理的典型任务可以归纳为风控、反欺诈、量化投研与智能投顾四类。它们对延迟、特征新鲜度和一致性的要求差异显著，直接决定了缓存与一致性方案的设计取向。

可以看到，反欺诈与量化投研对特征新鲜度和一致性最苛刻，而风控与智能投顾更关注结论稳定与可解释。缓存策略必须按任务分层，不能一刀切。

三、方法流程：特征工程在推理链路中的位置与作用

在推理链路中，特征工程承担“把原始数据翻译成模型可消费信号”的职责。它通常位于数据接入与模型打分之间，但实际会向前延伸到特征注册与回填，向后延伸到特征快照与审计。一个典型的推理链路如下：

请求进入
  → 身份与上下文解析（用户、设备、账户、时间）
  → 特征检索（在线特征库 / 缓存 / 实时计算）
  → 特征拼接与校验（缺失、越界、版本）
  → 模型/规则打分
  → 决策与动作（通过、拒绝、推荐、下单）
  → 特征快照与审计落库

特征工程在其中的作用可归纳为四点：

1. 信号化：把交易流水、行为日志、行情快照转化为数值、类别或向量特征。
2. 对齐：保证同一决策使用的特征来自同一时间窗口与同一版本，避免“时间穿越”。
3. 降噪与补全：处理缺失、异常与延迟到达的数据，提升推理稳定性。
4. 可复用：通过特征注册与缓存，让离线训练与在线推理共享同一套定义。

四、案例与场景：一次反欺诈推理的特征流转

假设某支付平台对一笔转账请求进行反欺诈推理。请求进入后，系统需要检索三类特征：

• 静态特征：账户注册时长、历史授信等级，变化慢，适合长缓存。
• 近实时行为特征：过去5分钟转账次数、设备切换次数，需实时或准实时计算。
• 上下文特征：当前IP归属地、交易金额、收款方风险标签，随请求变化。

若静态特征缓存过期时间设置过长，而行为特征又未及时更新，模型可能对同一用户连续两笔相似交易给出差异极大的评分。更严重的是，如果缓存中的特征版本与模型版本不匹配，推理结果将不可复现，审计时无法解释。这正是后续章节要解决的缓存与一致性问题。

五、误区与复盘：特征工程常见的三个认知偏差

误区三：缓存只考虑性能，不考虑失效与回源。缓存命中率提升的同时，若失效策略与回源逻辑设计不当，会引入脏数据。复盘时应重点检查：特征版本是否随模型版本联动、缓存过期时间是否与特征新鲜度匹配、回源失败时是否有降级与兜底策略。

综上，金融推理的定义决定了它对时效、一致性与可追溯性的强要求；四类典型任务对特征新鲜度的诉求各不相同；特征工程位于推理链路的核心位置，既决定输入质量，也影响输出一致性。理解这一基础，才能在后继的缓存设计与数据一致性实战中做出正确的工程取舍。