2. 金融机器学习项目生命周期

在金融行业，机器学习项目与互联网推荐、广告点击率预测等场景有本质差异：监管约束强、样本稀缺、标签滞后、风险后果不可逆。因此，金融MLOps不能简单套用通用DevOps或普通ML流水线，而必须围绕“业务理解—数据获取—特征工程—模型训练—部署监控”五个阶段构建可审计、可回滚、可解释的闭环。本节先建立全流程地图，后续章节再逐段深入。

一、核心原理：金融ML项目为何是“闭环”而非“直线”

通用机器学习项目常被描述为线性流程：定义问题、收集数据、训练模型、上线。但在金融场景中，这条线会首尾相接形成闭环。原因有三：第一，金融业务目标会随市场周期、监管政策、产品策略变化，模型上线后需要重新对齐业务理解；第二，数据分布漂移极快，信用风险、欺诈模式、交易行为可能在数周内发生结构性变化；第三，模型效果必须通过监控指标反哺训练与特征工程，否则会陷入“上线即过期”的困境。

因此，金融MLOps的核心原理是：以业务价值为起点，以风险可控为边界，以监控反馈为驱动，形成持续迭代的闭环系统。每个阶段都产出可版本化、可追溯、可复现的资产，而不是一次性脚本。

二、方法流程：五阶段全流程拆解

下面用一张SVG展示金融ML项目生命周期的闭环结构，图中包含五个阶段、关键产出物以及反馈路径。

三、各阶段关键任务与产出

1. 业务理解。金融ML项目的第一步不是看数据，而是与风控、信贷、合规、业务部门对齐：要解决什么问题？是降低欺诈损失、提升审批通过率，还是优化催收策略？成功指标是什么？例如欺诈检测常用“在误杀率低于1%的前提下，召回率提升多少”。同时必须明确监管约束，如《个人信息保护法》、巴塞尔协议、模型可解释性要求。产出物是业务需求文档和可量化的KPI。

2. 数据获取。金融数据来源多、格式杂、合规要求高。常见来源包括核心交易系统、征信接口、第三方数据、日志埋点。此阶段要完成数据采集、清洗、脱敏、对齐时间窗口，并建立数据字典与血缘关系。特别注意：金融数据存在严重的类别不平衡和标签滞后，例如违约标签需要观察期结束后才能确定。产出物是经过合规审查的数据集和数据字典。

3. 特征工程。这是金融ML中最能体现领域知识的环节。除了常规的归一化、分箱、WOE编码，还需要构造时间窗口特征、滑动统计特征、交叉特征。例如“近30天交易笔数”“近90天最大逾期天数”“收入负债比”。特征必须版本化存储，并记录每个特征的来源、计算逻辑、更新频率。产出物是特征库和特征版本。

4. 模型训练。金融场景常用逻辑回归、XGBoost、LightGBM，部分场景尝试深度学习。训练时要严格划分时间外样本，避免未来信息泄露。评估指标不能只看AUC，还要看KS、PSI、召回率、误杀率以及业务收益。模型训练完成后需生成模型卡，记录训练数据、参数、指标、局限性。产出物是模型文件和模型卡。

5. 部署与监控。模型上线不是终点。金融MLOps要求实时监控数据漂移、特征漂移、预测分布变化和业务指标。一旦PSI超过阈值或KS显著下降，触发告警甚至自动回滚。同时要保留完整审计日志，满足监管检查。产出物是监控看板、告警规则和回滚预案。

四、案例场景：信贷审批模型的全流程

假设某银行要构建一个信贷审批模型，目标是提升审批通过率同时控制坏账率。业务理解阶段确定KPI为“在坏账率不上升的前提下，通过率提升5%”。数据获取阶段整合申请信息、征信报告、内部交易流水，并完成脱敏。特征工程阶段构造“近6个月平均余额”“历史逾期次数”“负债收入比”等特征。模型训练阶段使用LightGBM，按时间划分训练集和测试集，KS达到0.42。部署阶段将模型封装为API，接入审批系统，并监控每日申请量、通过率、拒绝原因分布。上线两周后发现“近6个月平均余额”特征PSI达到0.28，触发告警，团队回滚到上一版本并重新训练。这个案例说明：金融MLOps的闭环不是理论，而是每天都要运行的操作系统。

五、常见误区与复盘

六、阶段门禁清单