变量衍生的意义与原则

说实话，刚入行那会儿我总觉得原始变量就够了——反正跑个逻辑回归，该出的系数都会出。结果呢？一个信贷模型AUC死活上不去，0.62封顶。后来跟业务聊才知道，“近3个月消费金额”和“近3个月消费笔数”单独看都不强，但把它们一除，变成“平均每笔消费金额”，一下子就抓到了那群“突然大额消费”的逾期客户。

嗯，这就是变量衍生的意义。

为什么必须做变量衍生？

我习惯从三个角度去理解这件事——说白了就是：信息、形态、稳定。

举个例子。我曾经管过一个现金贷项目，逾期率跟“用户年龄”的线性关系很弱——年轻人爱借，中年人也会借。但当我衍生出“年龄 vs 家庭收入”的交叉特征后，发现25岁以下收入超过1.5万的人群逾期率极低，反而是同年龄段收入5000以下的人群逾期率翻了4倍。这就是交叉衍生带来的区分度。

方法论选择：该用什么招？

我自己把衍生方法分成三大流派，你想想看——

• 统计流：均值、方差、最大最小值、排名、Z-score。适合快速扫描，但容易脱离业务。
• 业务流：人工经验强相关的公式，比如“月收入/月还款额”、“近6个月逾期总天数/12个月历史”。我经常跟风控同事一起画变量草图，聊着聊着就冒出一个好特征。
• 时间流：滑动窗口聚合（近7天/30天/90天消费笔数）、差分（当月 - 上月）、占比（当月/近3月均值）。这是时序风控的命根子。

用哪个，取决于你的数据形态和模型类型。如果是XGBoost，大量单调衍生（比如排名、分位）反而会降低树的利用率；如果是逻辑回归，每种非线性衍生都要单独做证据权重编码。我这里有一个不成熟的经验——上线初期多用业务流+时间流，后期再拿统计流补漏。

业务理解才是天花板

你可能会问：能不能直接上自动化特征工程？AutoFeature工具一大堆。我试过不少，效果嘛——生成上千个特征，70%是噪音。

原因很简单：机器不懂“为什么”。比如“用户三个月内被催收次数”这个变量，如果手动衍生，你会同时考虑“是否来自同一机构”、“催收后还款情况”等上下文。但自动化工具通常只做加减乘除、取对数、做分箱，完全忽略因果结构。

我记得跟一个做车贷的朋友聊，他们的首逾率跟“车辆品牌”和“贷款金额”的交互关系非常强。业务上是因为某些品牌的二手车流通性差，如果贷款金额还高，违约后处置困难。他们手动衍生了一个“品牌流通性指数 × 贷款金额”，模型提升明显。你让AutoML去猜这个，它猜一年都猜不出来。

你看这个流程：原始数据 → 业务理解 → 方法选择 → 生成 → 筛选分箱。业务理解永远是第一关。我见过太多团队拿到数据直接跑自动化，跑出来的东西根本没法跟业务解释。风控模型不是黑盒，每一笔拒绝背后都是对真实用户的判断。变量衍生如果不能映射到业务逻辑，那它在线上早晚会失灵。