📚 课程目录第3章变量衍生基础

变量衍生基础

变量衍生这个词，说白了你就是在原始数据上“造”出新特征。我刚开始做反欺诈的时候，总觉得拿原始字段直接训练模型就行——结果模型 AUC 死活不过 0.7。后来前辈告诉我：“你拿到的只是冰山一角，水面下的信息要靠变量衍生才能挖出来。”嗯，从那以后，我每次建模前都老老实实做一轮变量衍生。

变量衍生就是基于已有字段，通过数学变换、组合、统计计算或时序分析，生成新的特征变量。举个例子：原始表格里有“转账时间”和“转账金额”两个字段，我可以衍生出“过去1小时累计转账金额”、“转账金额的波动率”、“与上一笔转账的时间间隔”——这些新变量才是模型真正能抓住团伙行为的“眼睛”。

我的习惯：先列一个“可衍生方向清单”，避免漏掉重要维度。比如针对资金交易数据，我一般会从统计、时序、关系、行为四个方向分别衍生，覆盖率能提高 30% 以上。

你想想看，团伙行为和正常行为在原始字段上往往没有明显差异。比如每人每天转账5笔，金额都在100-200元之间——单看这些字段，跟正常用户没区别。但一旦衍生出“转账目标账户重合度”、“资金链路径相似度”，团伙特征就藏不住了。

我归纳了三个核心原因：

原始字段信息密度低——单个字段只能表达一个孤立事实，团伙模式需要组合信息才能暴露。
团伙行为有隐藏模式——比如“多账号共用设备”、“资金在特定时间段汇聚”，这些模式必须通过衍生变量才能量化。
提升模型区分能力——好的衍生变量，常常是模型性能翻倍的关键。我经历过一个项目，加入 5 个精心衍生的关系变量后，AUC 从 0.72 直接跳到 0.89。

曾经踩过的坑：有一回我一股脑衍生了 200 多个变量，结果模型过拟合严重，线上效果反而下降。后来学会先做相关性分析，再用业务逻辑筛选，才把变量数量控制在 20～30 个，效果稳了很多。

我把团伙识别中常用的衍生变量分成四大类，每类下面又有几个典型子类。下面这张表可以帮你快速对照：

你看，统计变量是最基础的，几乎所有风控项目都会用；时序变量能捕捉到“突然加速”或“间隔异常”这类变化；关系变量直接对准团伙的社交网络结构；行为变量则刻画用户的操作习惯是否异常。我个人最喜欢的是关系变量——因为团伙的核心特征就是“抱团”，而关系变量就是量化这种抱团程度的最好工具。

    小贴士：实际项目中，我建议按“统计→时序→关系→行为”的顺序逐步衍生，每衍生完一类就做一次相关性筛选，避免变量间多重共线性。这样既能保证覆盖度，又能控制变量数量。

下面这张图展示了变量衍生的整体流程，以及四类衍生变量在团伙识别中的位置。你可以看到，原始数据经过基础变量提取后，通过不同方向的变换生成新的衍生变量，最终汇聚成更有效的特征集。

最后再多说一句：别把变量衍生当成一次性工作。我通常在探索性数据分析阶段会试 3～5 轮衍生思路，每轮结束就快速训练一个轻量模型验证效果。效果好就保留，效果差就砍掉——这样做既能节省时间，又能保证衍生出来的变量真的有用。