3. 数据质量与特征风险

在模型风险管理框架中，特征工程的质量直接受底层数据质量制约。数据完整性、准确性、一致性、时效性四个维度构成特征质量的基石，任何维度的缺陷都会转化为可量化的特征风险，进而影响模型稳定性与预测能力。

3.1 数据质量四维模型

数据质量评估通常围绕以下四个核心维度展开，每个维度对应特定的特征风险类型：

3.2 数据质量评估指标体系

针对上述四个维度，建立可量化的评估指标，是特征风险识别的基础。以下为各维度核心指标及其计算方式：

3.2.1 完整性指标

• 字段缺失率：缺失值数量 / 总记录数 × 100%。阈值建议：< 5% 为低风险，5%-20% 为中风险，> 20% 为高风险。
• 记录完整率：完全无缺失的记录数 / 总记录数 × 100%。
• 缺失模式熵：衡量缺失值是否随机分布，高熵表示随机缺失，低熵表示系统性缺失（更危险）。

3.2.2 准确性指标

• 异常值比率：超出 [Q1 - 1.5×IQR, Q3 + 1.5×IQR] 或 [μ ± 3σ] 的记录占比。
• 业务规则违反率：违反已知业务约束（如年龄 < 0、金额为负）的记录占比。
• 参考数据匹配率：与权威数据源（如监管报送系统）比对一致的记录占比。

3.2.3 一致性指标

• 跨源一致率：同一字段在不同数据源中取值相同的记录占比。
• 逻辑关系一致率：满足字段间业务逻辑约束（如贷款发放日期 ≤ 到期日期）的记录占比。
• 时间序列一致率：同一实体在时间轴上取值不发生非业务性跳变的记录占比。

3.2.4 时效性指标

• 数据延迟：事件发生时间与数据入库时间的平均间隔（单位：秒/分钟/天）。
• 特征新鲜度：特征最近一次更新距当前时间的时长，超过业务容忍阈值即视为过时。
• 时间窗口覆盖率：特征在所需时间窗口内（如近30天）有有效值的记录占比。

3.3 特征风险识别框架

特征风险识别是将数据质量指标映射到具体风险类别的过程。以下 SVG 图展示了从数据质量维度到特征风险类型的完整识别链路：

3.4 特征风险量化与分级

将识别出的特征风险进行量化分级，便于模型风险管理团队确定处置优先级。以下为常用的风险评分方法：

# 特征风险评分示例（Python 伪代码）
def calculate_feature_risk_score(feature_metrics):
    """
    基于数据质量指标计算特征风险综合评分
    返回: 0-100 分，越高风险越大
    """
    # 完整性风险分
    missing_rate = feature_metrics['missing_rate']
    integrity_score = min(100, missing_rate * 5)  # 缺失率每1%得5分
    
    # 准确性风险分
    outlier_rate = feature_metrics['outlier_rate']
    accuracy_score = min(100, outlier_rate * 10)  # 异常率每1%得10分
    
    # 一致性风险分
    inconsistency_rate = 1 - feature_metrics['cross_source_consistency']
    consistency_score = min(100, inconsistency_rate * 100)
    
    # 时效性风险分
    latency_hours = feature_metrics['data_latency_hours']
    timeliness_score = min(100, latency_hours * 2)  # 每延迟1小时得2分
    
    # 综合评分（加权平均）
    weights = {'integrity': 0.25, 'accuracy': 0.30, 
               'consistency': 0.25, 'timeliness': 0.20}
    total_score = (integrity_score * weights['integrity'] +
                   accuracy_score * weights['accuracy'] +
                   consistency_score * weights['consistency'] +
                   timeliness_score * weights['timeliness'])
    
    return round(total_score, 1)

3.5 数据质量驱动的特征修复策略

针对不同维度的数据质量问题，采取对应的特征修复策略，从源头降低特征风险：