2. 特征筛选基础：概念、作用与建模差异
特征筛选（Feature Selection）是压力测试模型开发中至关重要的前置环节。它从原始变量池中挑选出对预测目标最有解释力、最稳定且最符合业务逻辑的特征子集，从而提升模型的预测精度、可解释性与监管合规性。
2.1 特征筛选的核心概念
特征筛选本质上是一个降维与去噪的过程。在压力测试场景下，原始数据通常包含数百甚至上千个潜在变量（如宏观经济指标、行业景气指数、企业财务比率等），但其中许多变量存在高度相关性、噪声或对极端压力情景不敏感的问题。
关键定义：特征筛选是从原始特征集合 X = {x₁, x₂, ..., xₚ} 中，依据特定评价准则，选择最优子集 X* ⊆ X，使得在给定目标变量 Y 的条件下，模型性能最优或达到预设阈值。
特征筛选的三大核心目标：
- 提升预测性能：剔除冗余和噪声特征，降低过拟合风险，提高模型在压力情景下的泛化能力。
- 增强可解释性：保留少量关键驱动因子，使模型逻辑透明，便于监管沟通与业务解读。
- 降低计算成本：减少特征维度，缩短模型训练与压力测试模拟的时间开销。
2.2 特征筛选在压力测试模型中的作用
压力测试模型与常规预测模型存在本质区别：压力测试关注的是极端但 plausible 的情景下资产组合或金融机构的脆弱性。因此，特征筛选在压力测试中承担着以下独特作用：
| 作用维度 | 具体说明 | 压力测试特殊性 |
|---|---|---|
| 情景敏感性识别 | 筛选出对宏观经济压力因子（GDP、利率、失业率等）敏感的特征 | 需确保特征在极端情景下仍保持单调性与可解释性 |
| 非线性关系捕获 | 保留能反映阈值效应、尾部依赖的特征 | 压力情景常触发非线性突变，线性筛选方法需谨慎 |
| 稳定性与鲁棒性 | 剔除在历史压力时期表现不稳定的特征 | 需使用压力期子样本验证特征稳定性 |
| 监管合规对齐 | 保留监管机构关注的宏观风险因子 | 即使统计显著性不高，业务逻辑强的特征也需保留 |
| 多情景一致性 | 确保特征在基准、不利、严重不利情景下均有效 | 需跨情景验证特征重要性排序的稳定性 |
实践要点：在压力测试中，特征筛选不能仅依赖统计指标（如 p 值、信息价值 IV），必须结合业务专家判断与压力情景的物理意义。一个统计显著但经济含义模糊的特征，在压力测试中可能产生误导性结果。
2.3 与普通建模特征筛选的区别
普通建模（如信用评分卡、营销响应模型）与压力测试模型在特征筛选上存在显著差异。下表从多个维度进行对比：
| 对比维度 | 普通建模特征筛选 | 压力测试特征筛选 |
|---|---|---|
| 目标导向 | 最大化预测精度或 AUC | 确保极端情景下的稳健性与可解释性 |
| 数据范围 | 全样本或随机划分 | 必须包含历史压力期子样本 |
| 特征稳定性 | 关注整体分布一致性 | 关注压力期 vs 正常期特征关系稳定性 |
| 业务约束 | 相对宽松，可自动筛选 | 强约束：监管因子、经济直觉必须保留 |
| 筛选方法 | 过滤式、包裹式、嵌入式均可 | 偏好过滤式+专家判断，避免黑箱包裹式 |
| 多重共线性 | 容忍度较高，可用正则化处理 | 严格处理，避免压力情景下系数翻转 |
| 验证方式 | 交叉验证、留出验证 | 跨情景验证、压力期回测、敏感性分析 |
2.4 压力测试特征筛选的典型流程
基于上述概念与差异，压力测试特征筛选通常遵循以下步骤：
- 业务驱动初筛：与业务专家、风险经理共同确定候选特征池，确保覆盖监管要求的宏观风险因子。
- 数据质量检查：检查缺失率、异常值、压力期数据可用性，剔除质量不合格的特征。
- 单变量筛选：计算每个特征与目标变量的相关性、信息价值（IV）、稳定性指标（PSI），保留统计显著的特征。
- 多变量共线性诊断：计算 VIF（方差膨胀因子），剔除高度共线特征，确保模型在压力情景下系数稳定。
- 压力情景验证：在历史压力期子样本中重新评估特征重要性，剔除在压力期失效的特征。
- 专家终审与定稿：由风险委员会或模型治理团队审核最终特征清单，确保符合监管预期与业务逻辑。
常见误区：在压力测试中，不要盲目追求高 AUC 或低 p 值。一个在正常时期表现优异但在压力时期关系翻转的特征，比一个预测能力稍弱但关系稳定的特征更具风险。特征筛选的最终标准是“在压力下依然可靠”。