📚 课程目录第1章风控变量衍生概述

1. 风控变量衍生概述

变量衍生（Feature Engineering）是风控建模中承上启下的关键环节。原始数据通常以基础字段形式存在，如“近3个月查询次数”“历史逾期天数”等，这些字段直接进入模型往往信息密度低、区分度不足。变量衍生的核心目标是通过数学变换、组合、聚合等手段，从原始字段中提取出更能刻画用户风险特征的派生变量，从而提升模型的区分能力和稳定性。

1.1 变量衍生的目的

目的维度	具体说明	典型示例
增强区分度	将原始字段中隐含的非线性关系、交互效应显式表达出来，使好坏样本在变量分布上拉开差距	“收入/负债比”比单独使用“收入”或“负债”更能区分还款能力
提升稳定性	通过比率、排名、分档等变换，消除量纲、时间趋势、极端值对模型的影响	“近6个月查询次数/近12个月查询次数”比绝对次数更稳定
补全信息	从时间序列、文本、关系网络等非结构化数据中提取结构化特征	“近3个月查询次数均值”“近6个月查询次数标准差”
适配算法	将类别变量、缺失值、偏态分布转换为逻辑回归等线性模型能有效处理的形态	WOE编码、缺失值指示变量、对数变换

实操提示：变量衍生不是越多越好。每衍生一个变量，都应评估其IV（信息值）、缺失率、单调性以及与业务逻辑的一致性。盲目衍生会导致维度灾难和过拟合。

1.2 常见衍生方法分类

风控场景中，变量衍生方法可按数据形态和变换逻辑分为以下五大类：

数值变换类：对数变换、平方根变换、Box-Cox变换、标准化/归一化。用于处理长尾分布、异方差性。
比率/组合类：两字段相除、加权组合、差值计算。如“月收入/月还款额”“近3个月查询次数 - 近6个月查询次数”。
聚合统计类：按时间窗口（近1/3/6/12个月）或按分组（如机构类型）计算均值、最大值、最小值、标准差、趋势斜率。常用于征信、交易流水数据。
分箱/离散化类：等距分箱、等频分箱、卡方分箱、决策树分箱。将连续变量转换为有序类别，增强与坏账率的单调关系。
编码/映射类：WOE编码、独热编码、标签编码、缺失值指示变量。用于将类别变量或缺失信息转化为数值特征。

  重点：在风控建模流程中，变量衍生通常紧跟在数据清洗与预处理之后、特征筛选与分箱之前。衍生出的变量需要经过分箱、IV计算、相关性分析等步骤，才能进入模型训练。

1.3 衍生在风控建模流程中的位置

变量衍生不是孤立步骤，而是嵌入在标准风控建模流水线中的核心环节。下图展示了从原始数据到模型输出的完整流程，其中变量衍生处于数据预处理与特征工程之间的枢纽位置：

1.4 衍生策略的制定原则

在实际项目中，变量衍生需要遵循以下原则，避免陷入“为衍生而衍生”的误区：

业务驱动：先理解业务逻辑，再设计衍生公式。例如，信贷场景中“收入负债比”比“收入平方”更有业务含义。
分层衍生：按数据源（征信、交易、设备、社交）分别衍生，再统一汇总，便于后续分箱和特征筛选。
时效性匹配：衍生窗口期应与模型预测目标一致。例如，预测未来3个月逾期，衍生窗口宜采用近3/6/12个月。
可解释性优先：优先选择业务人员能理解的衍生方式（如比率、差值），避免过度使用高阶多项式或复杂非线性变换。
缺失值处理：衍生过程中需同步记录缺失来源，后续可通过缺失率分箱或缺失指示变量保留信息。

常见陷阱：在训练集上衍生变量后，直接对测试集应用相同的衍生逻辑，但未考虑测试集与训练集分布差异导致的衍生失效。正确的做法是将衍生逻辑封装为函数，在训练集拟合参数（如分箱边界、均值、标准差），再应用到测试集和线上。

1.5 变量衍生的输出产物

完成变量衍生后，通常需要输出以下产物，供后续分箱与建模使用：

产物名称	内容说明	格式示例
衍生变量清单	记录每个衍生变量的名称、衍生公式、原始字段来源、数据类型	变量名：income_debt_ratio；公式：income / total_debt；来源：income, total_debt
衍生变量数据表	包含所有样本的衍生变量值，与原始数据表通过主键关联	user_id, income_debt_ratio, query_3m_avg, ...
衍生逻辑文档	详细描述每个衍生变量的业务含义、计算步骤、边界条件处理	用于模型评审、合规审计、团队交接
衍生代码脚本	可复用的Python/SQL脚本，包含参数配置和异常处理	def feature_engineer(df): ...

  课程预告：本章后续将深入讲解各类衍生方法的具体实现，包括Python代码实战、分箱策略与WOE计算，以及如何通过自动化衍生工具提升效率。请确保理解变量衍生的定位与原则，这是后续所有实操内容的基础。