1. 风控概述：信贷风控的核心逻辑、场景与特征工程价值
1.1 信贷风控的核心逻辑
信贷风控的本质是在信息不对称条件下，对借款人的还款意愿与还款能力进行量化评估，并据此做出授信决策。其核心逻辑围绕“风险-收益”平衡展开，通过识别、度量、监控和缓释信用风险，将整体资产的不良率控制在可承受范围内。
风控决策的底层公式可抽象为：
预期损失(EL) = 违约概率(PD) × 违约损失率(LGD) × 违约风险敞口(EAD)信贷机构通过模型与规则，分别对 PD、LGD、EAD 进行估计，进而计算风险定价与准备金。下表总结了三大核心风险要素及其在风控中的含义：
| 风险要素 | 英文缩写 | 定义 | 风控应用 |
|---|---|---|---|
| 违约概率 | PD | 借款人在未来一定时期内发生违约的可能性 | 准入筛选、额度定价、利率分层 |
| 违约损失率 | LGD | 违约发生后，损失金额占风险暴露的比例 | 抵押品估值、催收策略、拨备计提 |
| 违约风险敞口 | EAD | 违约时点上的未偿还本金及利息总额 | 额度管理、循环授信控制 |
关键认知： 风控不是追求“零坏账”，而是将坏账率控制在风险定价覆盖的范围内。特征工程的目标就是更精准地估计 PD/LGD/EAD。
1.2 贷前 / 贷中 / 贷后场景划分
信贷全生命周期按时间轴划分为三个核心场景，每个场景的风控目标、数据来源和特征工程侧重点截然不同。
下表进一步对比三大场景在数据、模型与特征工程上的差异：
| 维度 | 贷前 | 贷中 | 贷后 |
|---|---|---|---|
| 核心目标 | 拒绝坏人，通过好人 | 及时发现风险恶化 | 最大化回收，最小化损失 |
| 数据时效 | 申请时点快照 | 近7~90天行为序列 | 逾期天数 + 催收交互 |
| 常用模型 | 逻辑回归、XGBoost、评分卡 | 时序模型(LSTM/Transformer)、规则引擎 | 生存分析、决策树、催收评分卡 |
| 特征工程重点 | WOE编码、交叉特征、多头借贷聚合 | 滑动窗口统计、行为突变检测、频次衰减 | 催收阶段编码、联系序列特征、还款意愿代理 |
| 样本分层需求 | 按额度/渠道/客群分层建模 | 按风险等级动态分层监控 | 按逾期阶段分层催收策略 |
1.3 特征工程在风控中的价值
特征工程是将原始数据转化为模型可理解、可区分风险的信息加工过程。在信贷风控中，特征工程直接决定了模型性能的上限——“数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限”。
特征工程在风控中的四大核心价值：
- 提升区分度： 通过构造强特征（如多头借贷比率、收入负债比），拉大好客户与坏客户在特征空间的距离，提高KS/AUC指标。
- 增强稳定性： 通过特征分箱、WOE变换、跨时间验证，筛选出随时间变化平稳的特征，防止模型在客群迁移时失效。
- 注入业务知识： 将风控策略经验（如“3个月内查询次数>10为高风险”）编码为特征，使模型学习到业务规则。
- 支撑样本分层： 不同客群（如新客/老客、抵押/信用）需要不同的特征体系，特征工程是实现精细化分层建模的基础。
实战经验： 在头部消费金融公司，一个经过精心特征工程优化的XGBoost模型，其KS值通常比仅使用原始特征的模型高出0.08~0.15，相当于坏账率降低20%~30%。
下图展示了特征工程在风控建模流程中的位置与核心环节：
常见误区： 很多团队在风控建模初期过度追求复杂模型（如深度神经网络），却忽视了特征工程的基础工作。结果模型过拟合严重，上线后PSI迅速恶化。正确的做法是：先做扎实的特征工程，再用简单模型验证特征有效性，最后逐步升级模型复杂度。