4、特征工程总览：特征分类、生命周期管理与金融核心原则
特征工程是金融推荐系统的“地基工程”。在信贷、理财、保险等金融场景中，特征不仅决定模型上限，更直接关系到风险控制、用户体验与合规审计。本章从特征分类体系、生命周期管理机制、金融领域三大核心原则（可解释性、稳定性、时效性）三个维度展开，帮助读者建立金融特征工程的全局视图。
4.1 特征分类体系：五维全景视角
4.1.1 核心原理：从业务实体到特征抽象
金融推荐系统的特征可归纳为五大类：用户特征、物品特征、交叉特征、时序特征、统计特征。分类的核心逻辑是：用户特征回答“谁在投”，物品特征回答“投什么”，交叉特征回答“是否匹配”，时序特征回答“趋势如何”，统计特征回答“分布怎样”。这五类特征共同构成模型输入的完整画像。
| 特征类别 | 典型示例 | 数据来源 | 更新频率 | 金融场景注意事项 |
|---|---|---|---|---|
| 用户特征 | 年龄、收入、风险测评等级、持仓总额 | 注册信息、KYC、交易系统 | 低频（月/季） | 敏感信息需脱敏，风险等级需合规 |
| 物品特征 | 年化收益率、期限、风险等级、起投金额 | 产品管理系统、发行方报送 | 中频（日/周） | 收益率为历史值，不代表未来 |
| 交叉特征 | 用户风险等级×产品风险等级、渠道×时段 | 特征拼接、模型组合 | 随基础特征更新 | 避免维度爆炸，需做特征选择 |
| 时序特征 | 近7天登录次数、近30天申购金额趋势 | 行为日志、交易流水 | 高频（实时/T+1） | 需处理节假日、月末效应 |
| 统计特征 | 历史收益均值、波动率、最大回撤 | 行情数据、历史业绩 | 中频（日） | 统计窗口需业务语义对齐 |
4.1.2 判断方法：如何选择特征类型
- 按业务目标拆解：推荐理财产品的核心目标是“匹配用户风险偏好与产品风险等级”，因此交叉特征（用户风险等级×产品风险等级）是必选。
- 按数据可得性：实时行为数据（点击、浏览）适合构建高频时序特征；资产证明等低频数据适合构建静态用户特征。
- 按模型可解释性需求：信贷风控场景优先使用业务含义明确的特征（如收入、负债率），避免使用难以解释的复杂交叉特征。
4.1.3 案例拆解：某银行理财推荐的特征组合
某股份制银行理财APP的推荐系统，初期仅使用用户基本属性（年龄、性别）和产品收益率排序，点击率仅3.2%。加入五维特征后，点击率提升至7.8%。具体做法：
- 用户特征：风险测评等级（保守型/稳健型/进取型）、近3个月AUM（资产管理规模）均值。
- 物品特征：产品风险等级（R1-R5）、业绩比较基准、最短持有期。
- 交叉特征：用户风险等级与产品风险等级的差值（0表示匹配，正数表示用户风险承受力高于产品风险）。
- 时序特征：近7天用户浏览理财频次、近30天申购金额的环比变化率。
- 统计特征：产品近6个月收益率的年化波动率、最大回撤。
关键发现：“风险等级差值”特征的重要性排名第一，说明交叉特征在金融场景中具有强预测力。
4.2 特征生命周期管理：从需求到退役
4.2.1 核心原理：特征也是“产品”
特征生命周期管理借鉴软件工程理念，将特征视为需要持续维护的“产品”。完整生命周期包括：需求分析 → 开发验证 → 上线监控 → 退役下线四个阶段。每个阶段都有明确的交付物和评审标准。
4.2.2 操作流程：四阶段管理规范
| 阶段 | 关键活动 | 交付物 | 评审标准 |
|---|---|---|---|
| 需求分析 | 业务方提出需求，明确特征含义、口径、更新频率 | 特征需求文档（FRD） | 业务价值明确，口径无歧义 |
| 开发验证 | 数据探查、特征计算、离线回测、AB测试 | 特征代码、回测报告 | 离线AUC提升≥0.5%，线上AB显著 |
| 上线监控 | 实时监控覆盖率、空值率、PSI、延迟 | 监控看板、告警规则 | PSI<0.1，覆盖率≥95% |
| 退役下线 | 评估特征贡献度，确认可下线后清理代码与存储 | 下线评审记录 | 特征重要性排名后10%且无业务价值 |
4.2.3 实战场景：特征口径变更的灰度发布
某基金销售平台将“用户月收入”特征的口径从“税后收入”调整为“税前收入”。若直接全量切换，可能导致模型输出剧烈波动。正确做法：
- 并行计算：新旧口径特征同时产出，离线对比分布差异（KS检验）。
- 影子模式：新特征在线上“影子运行”1周，不参与实际推荐，仅记录预测差异。
- 灰度切换：先对5%流量启用新特征，观察点击率、申购转化率、客诉率。
- 全量上线：灰度7天无异常后全量切换，并保留回滚开关。
结果：新旧口径下PSI为0.08（稳定），点击率提升0.3%，无客诉。若PSI>0.2，则需回滚并重新评估特征构造。
4.3 金融特征工程三大核心原则
4.3.1 可解释性：合规与信任的基石
金融行业受强监管约束，模型决策需可追溯、可解释。特征层面的可解释性要求：每个特征都能用业务语言向监管或用户解释。例如，“用户近30天申购金额的变异系数”虽然统计上有效，但业务解释困难，应谨慎使用。
实操建议：
- 优先使用业务语义明确的特征（如“资产负债率”优于“特征A_123”）。
- 对连续特征做分箱时，分箱边界需有业务含义（如“月收入<5000元”为低收入组）。
- 使用SHAP值输出特征贡献度，便于向用户解释“为什么推荐这款产品”。
4.3.2 稳定性：穿越周期的可靠性
金融市场的周期性波动会直接影响特征分布。例如，2022年股市下跌导致“用户股票持仓比例”特征分布大幅左移。稳定性管理包括：
- PSI监控：每周计算特征PSI，PSI>0.25需告警并排查原因。
- 特征衰减评估：每月计算特征重要性排名变化，排名下降超过50%需分析是否因市场环境变化。
- 极端场景测试：用2020年疫情、2022年债市大跌等历史极端数据回测特征表现。
4.3.3 时效性：金融数据的“保鲜期”
不同特征的有效期差异巨大：
| 时效等级 | 更新频率 | 典型特征 | 技术实现 |
|---|---|---|---|
| T+0实时 | 秒级/分钟级 | 当前浏览产品、搜索关键词 | Flink/Kafka流式计算 |
| T+1准实时 | 每日 | 昨日持仓收益、近3日登录天数 | 离线批处理（Hive/Spark） |
| 低频 | 周/月/季 | 收入证明、征信报告、风险测评 | 定时任务+人工审核 |
时效性管理的关键是“特征新鲜度分级”：实时特征用于捕捉用户即时意图，低频特征用于刻画长期画像。若将低频特征用于实时推荐，会导致推荐结果滞后；反之，将实时特征用于月度风控模型，则噪声过大。