3、样本数据来源：内部交易数据、外部征信数据、行为日志数据

风险归因模型的预测能力高度依赖样本数据的广度、深度与时效性。单一数据源往往存在信息盲区，例如仅使用内部交易数据无法捕捉客户在其他金融机构的负债情况，而仅依赖外部征信数据又缺乏对客户近期行为偏好的刻画。因此，业界通行的做法是融合内部交易数据、外部征信数据与行为日志数据三类数据源，构建多维度、高覆盖的训练样本集。

3.1 三类数据源的核心特征与差异

下表从数据来源、更新频率、信息维度、典型字段及主要用途五个维度，对比三类数据源的核心差异：

3.2 内部交易数据：刻画还款能力与资金流动性

内部交易数据是风险归因模型最基础、最可靠的数据源。它直接反映了客户在本机构的资金往来行为，具有高真实性和低获取成本的优势。典型特征包括：

• 账户余额类：日均余额、最低余额、余额波动率。
• 交易流水类：月均交易笔数、交易金额标准差、大额交易占比。
• 还款行为类：历史还款准时率、提前还款次数、逾期恢复时长。
• 授信使用类：额度使用率、额度使用峰值、循环借贷次数。

在样本切分时，内部交易数据通常按客户ID进行聚合，生成客户级特征。对于时序敏感的特征（如近3个月交易金额趋势），需保留时间戳信息，以便后续进行时间序列切分。

3.3 外部征信数据：评估信用历史与多头风险

外部征信数据弥补了内部数据“信息孤岛”的缺陷，能够揭示客户在其他金融机构的负债水平和信用表现。在风险归因模型中，外部征信数据主要用于：

• 多头借贷识别：近1个月、3个月、6个月的征信查询次数。
• 历史逾期严重度：最大逾期天数、累计逾期金额、逾期账户数。
• 负债压力评估：总授信额度、总贷款余额、信用卡使用率。
• 公共记录：法院执行信息、行政处罚记录、税务欠缴记录。

3.4 行为日志数据：识别欺诈与异常模式

行为日志数据是近年来风险归因模型的重要补充，尤其在欺诈风险和早期预警场景中表现突出。行为日志数据具有高频、细粒度、实时性的特点，典型特征包括：

• 设备指纹类：设备ID、操作系统版本、屏幕分辨率、是否模拟器。
• 操作行为类：登录频率、页面停留时长、输入框点击顺序、复制粘贴行为。
• 网络环境类：IP地址归属地、代理/VPN检测、WiFi名称变化频率。
• 时间模式类：操作时段分布、凌晨操作占比、操作间隔标准差。

行为日志数据通常以事件序列的形式存储，在样本构建时需要进行序列特征工程，例如提取“30分钟内连续失败登录次数”或“从登录到申请提交的耗时”。

3.5 三类数据源的融合架构

下图展示了一个典型的风险归因模型样本构建中，三类数据源的融合流程与层级关系：

3.6 样本构建中的常见问题与避坑

在实际项目中，三类数据源的融合常遇到以下问题，需在样本构建阶段提前规避：