1. 课程导论：风控特征工程在信贷模型中的核心地位，课程目标与学习路径概览
1.1 为什么特征工程是信贷风控的“胜负手”？
在信贷模型的生命周期中，从数据采集到最终决策，特征工程是连接原始数据与模型算法的桥梁。业界公认的共识是：数据和特征决定了模型性能的上限，而算法只是逼近这个上限。对于信贷风控而言，特征工程直接决定了模型能否准确识别欺诈、评估还款能力与意愿。
核心洞察： 在信贷场景中，一个经过精心设计的特征（如“近3个月多头借贷机构数”）对模型AUC的提升，往往超过更换10种复杂算法带来的增益。特征工程是风控建模中最具“杠杆效应”的环节。
本课程将带你从模型训练的实战视角出发，系统性地构建风控特征工程的知识体系与实操能力。
1.2 课程核心目标
完成本课程后，你将能够：
- 建立分层特征体系： 掌握从原始数据到衍生特征、再到特征筛选与监控的完整分层方法论。
- 掌握关键衍生技术： 熟练运用时间窗口、聚合统计、交叉组合、WOE编码等核心特征构造方法。
- 具备工程落地能力： 理解特征存储、上线部署与监控回滚的工程化实践，避免“模型在实验室跑分高，上线即失效”的窘境。
- 提升模型鲁棒性： 学会通过特征筛选与稳定性评估，构建在客群迁移和业务波动中依然稳健的信贷模型。
1.3 学习路径概览与知识体系
本课程共分为六大模块，层层递进，从理论到实战。下表清晰展示了各模块的核心内容与学习目标：
| 模块 | 章节范围 | 核心内容 | 学习目标 |
|---|---|---|---|
| 一、基础与框架 | 第1-3章 | 特征工程核心地位、数据探索与清洗、特征分层方法论 | 建立全局视野，掌握数据质量把控与分层设计原则 |
| 二、特征衍生技术 | 第4-8章 | 时间窗口、聚合统计、交叉组合、文本/序列特征、WOE与IV | 掌握主流特征构造方法，能独立完成特征衍生 |
| 三、特征筛选与降维 | 第9-12章 | 过滤法、包裹法、嵌入法、PCA与AutoEncoder | 学会从高维特征中筛选出有效、稳定的特征子集 |
| 四、特征监控与稳定性 | 第13-16章 | PSI/CSI监控、特征漂移检测、数据回滚策略 | 建立特征上线后的持续监控与预警能力 |
| 五、工程化与部署 | 第17-20章 | 特征存储（Feature Store）、在线/离线一致性、Pipeline构建 | 掌握特征工程从实验到生产的全链路工程化 |
| 六、实战与案例 | 第21-30章 | 信贷申请评分卡、反欺诈模型、额度模型等完整案例 | 综合运用所学，独立完成风控建模项目 |
1.4 风控特征工程核心流程
下图展示了风控特征工程从数据输入到模型训练的标准流程，这也是本课程贯穿始终的主线：
学习建议： 本课程强调“从模型训练出发”的逆向思维。在学习每个特征工程技巧时，请时刻反问自己：“这个特征对模型区分度、稳定性和可解释性有什么影响？” 带着这个问题学习，效率会翻倍。
1.5 课程特色与学习约定
- 实战驱动： 每章均配有可运行的代码示例（Python + Pandas / Sklearn / XGBoost），代码片段会以
<pre><code>格式清晰呈现。 - 分层递进： 从基础特征（如年龄、收入）到高阶特征（如时序聚合、图特征），难度逐步提升。
- 避坑指南： 每章会专门指出风控特征工程中常见的“陷阱”，如特征穿越、样本选择偏差、在线离线不一致等。
重要提醒： 特征工程不是“特征越多越好”。冗余特征会引入噪声，导致模型过拟合。本课程将教会你如何做“减法”，而非盲目做“加法”。