2. 特征工程基础回顾：特征类型、分布、重要性与稳定性
在金融风控建模中，特征工程是连接原始数据与模型性能的桥梁。本章系统回顾特征工程的核心基础概念，为后续特征一致性校验打下坚实的理论基础。理解特征的类型、分布、重要性及稳定性，是判断特征是否“健康”、是否适合进入模型的前提。
2.1 特征类型：数值型、类别型、时序型
金融风控特征按数据性质可分为三大类，每类在预处理、分箱、编码及校验策略上均有显著差异。
| 特征类型 | 典型示例 | 常用预处理 | 一致性校验关注点 |
|---|---|---|---|
| 数值型 | 年龄、收入、负债率、近6月逾期次数 | 缺失值填充、标准化/归一化、对数变换、分箱 | 均值/方差偏移、PSI、异常值突变 |
| 类别型 | 职业、学历、婚姻状况、产品类型 | Label Encoding、One-Hot Encoding、WOE编码 | 类别缺失/新增、频次分布偏移、WOE单调性 |
| 时序型 | 申请时间戳、最近一次还款日期、账户开立时长 | 衍生周期性特征（月/周/日）、时间窗口聚合 | 时间漂移、节假日效应、数据延迟 |
实践提示： 在风控特征校验中，数值型特征最常使用PSI（群体稳定性指标）进行监控；类别型特征需额外关注“新类别”的出现，这往往是数据源变更或业务策略调整的信号；时序型特征则要警惕“未来数据泄露”，即使用了建模时点之后的信息。
2.2 特征分布：理解数据的“长相”
特征分布描述了特征取值的概率密度或频次规律。在风控场景中，分布分析是发现数据异常、评估分箱合理性、判断特征区分能力的基础手段。
- 数值型分布： 常用直方图、核密度估计（KDE）、箱线图。关注点包括：偏度、峰度、长尾、多峰、异常值簇。
- 类别型分布： 常用柱状图、饼图。关注点包括：类别占比是否均衡、低频类别是否合并、缺失类别是否被单独编码。
- 分布对比： 训练集 vs 测试集、建模样本 vs 近期样本。分布差异过大是特征不稳定的直接信号。
关键指标： 分布差异的量化常用 KS检验（Kolmogorov-Smirnov Test）或 JS散度（Jensen-Shannon Divergence）。在风控特征校验中，PSI本质上也是衡量分布偏移的一种离散化近似方法。
2.3 特征重要性：筛选高价值变量
特征重要性用于衡量每个特征对模型预测能力的贡献程度。在风控建模中，重要性分析帮助数据科学家聚焦核心变量，剔除噪声特征，同时为特征校验提供优先级排序——越重要的特征，其稳定性要求越高。
| 评估方法 | 适用模型 | 输出形式 | 风控场景注意事项 |
|---|---|---|---|
| 树模型 Feature Importance | XGBoost、LightGBM、随机森林 | 基于分裂增益或覆盖度的归一化分数 | 对高基数类别特征有偏；需结合SHAP交叉验证 |
| SHAP Value | 任意模型（模型无关） | 每个样本每个特征的贡献值（正/负） | 计算成本高；可解释性强，适合监管审计 |
| Permutation Importance | 任意模型（模型无关） | 打乱特征后模型性能下降程度 | 对特征间相关性敏感；需多次重复取均值 |
| 单变量IV值 | 逻辑回归（评分卡） | Information Value，衡量区分能力 | IV < 0.02 通常视为弱变量；需结合分箱 |
校验警示： 一个特征在建模时重要性很高，但在上线后重要性骤降，往往意味着该特征的数据源或业务含义发生了根本性变化。此时即使PSI未超标，也应触发人工复核。
2.4 特征稳定性（PSI）概念
群体稳定性指标（Population Stability Index，PSI）是金融风控中衡量特征分布随时间或样本集变化程度的核心指标。PSI 通过将特征分箱后，比较两个分布中每个箱体的占比差异来量化偏移程度。
2.4.1 PSI 计算公式
PSI = Σ (Actual_i - Expected_i) * ln(Actual_i / Expected_i)
其中：
- Expected_i：基准分布（如训练集）在第 i 个箱体中的占比
- Actual_i：待评估分布（如近期样本）在第 i 个箱体中的占比
- 分箱方式：等距分箱、等频分箱或自定义分箱2.4.2 PSI 评判标准
| PSI 范围 | 稳定性等级 | 建议操作 |
|---|---|---|
| PSI < 0.1 | 稳定 | 无需干预，常规监控 |
| 0.1 ≤ PSI < 0.25 | 轻度偏移 | 需关注，排查数据源或业务策略变化 |
| PSI ≥ 0.25 | 严重偏移 | 立即告警，模型需重新训练或特征需替换 |
工程经验： 在风控特征一致性校验平台中，PSI 通常按 日/周/月 粒度滚动计算。对于重要性排名前 20% 的特征，建议将告警阈值收紧至 0.15；对于低重要性特征，可放宽至 0.3 以避免过多误报。
2.5 特征类型、分布、重要性与稳定性的联动关系
在特征一致性校验实践中，上述四个维度并非孤立存在，而是相互影响、共同构成特征健康度的评估框架：
- 类型决定校验方法： 数值型特征用PSI，类别型特征用频次偏移+新类别检测，时序型特征需叠加时间窗口对齐检查。
- 分布是稳定性的基础： PSI 本质上就是分布偏移的量化。分布越“陡峭”或“稀疏”的特征，对分箱方式越敏感，PSI 波动可能越大。
- 重要性决定监控优先级： 高重要性特征应配置更严格的 PSI 阈值和更高的监控频率；低重要性特征可适当放宽。
- 稳定性反哺特征筛选： 如果一个特征重要性很高但 PSI 持续恶化，应优先排查数据源问题；若无法修复，需考虑用更稳定的替代特征。
核心原则： 在金融风控特征一致性校验中，“重要且稳定” 的特征才是高质量特征。只重要但不稳定，会导致模型在线上快速失效；稳定但不重要，则对模型贡献有限，可考虑剔除以降低运维成本。