4. 压力测试特征工程：宏观压力因子与微观客户行为特征的衍生

压力测试特征工程的核心目标是将宏观经济冲击转化为对微观客户信用风险的量化指标。本章聚焦于两类特征的构建：宏观压力因子（GDP、利率、失业率）的提取与情景化处理，以及微观客户行为特征的衍生与聚合。这两类特征在Flink实时计算框架下需要不同的时间窗口与计算策略。

4.1 宏观压力因子的提取与情景化

宏观压力因子通常来源于央行、统计局或权威经济研究机构的公开数据。在压力测试中，这些因子不是简单的历史值，而是需要根据压力情景（如轻度、中度、重度）进行情景化映射。

4.2 微观客户行为特征的衍生体系

微观特征来源于客户在信贷生命周期中的实时与历史行为。压力测试要求这些特征能够反映客户对宏观冲击的敏感度与脆弱性。以下是核心特征类别：

• 收入稳定性特征：近6个月工资入账波动率、收入中断天数、多源收入占比。
• 负债压力特征：当前总负债/年化收入（DTI）、近3个月信用卡使用率峰值、多头借贷机构数。
• 还款行为特征：历史逾期次数、最近一次逾期距今月数、还款金额波动系数。
• 消费韧性特征：必需消费占比（食品/住房/医疗）、可选消费下降斜率、储蓄账户余额趋势。

4.3 宏观与微观特征的交叉融合

单一维度的特征不足以刻画压力情景下的风险传导。需要构建交叉特征来捕捉宏观冲击在微观层面的异质性影响。例如：

• 利率敏感度特征：客户浮动利率贷款占比 × 利率冲击幅度。
• 就业脆弱性特征：客户所在行业失业率弹性系数 × 宏观失业率冲击值。
• 收入弹性特征：客户收入与GDP增速的历史回归系数 × GDP冲击值。

-- 示例：Flink SQL 中宏观因子与微观特征的实时关联
CREATE VIEW customer_stress_features AS
SELECT
  c.customer_id,
  c.dti_ratio,
  c.income_volatility,
  m.gdp_shock,
  m.rate_shock,
  m.unemployment_shock,
  -- 交叉特征：利率敏感度
  c.floating_rate_ratio * m.rate_shock AS rate_sensitivity,
  -- 交叉特征：就业脆弱性
  c.industry_unemployment_elasticity * m.unemployment_shock AS employment_vulnerability
FROM customer_micro_features c
JOIN macro_stress_broadcast m
  ON true;  -- 广播流与所有数据关联

4.4 压力测试特征工程整体架构

下图展示了从宏观因子接入、微观特征衍生到交叉融合的完整数据流与计算节点。该架构在Flink中通过多流合并与状态管理实现。

4.5 特征质量验证与回溯测试

特征工程完成后，必须进行质量验证与回溯测试，确保特征在历史压力事件中具有区分度与稳定性。