1. 风控特征工程概述
1.1 实时交易风控的定义
实时交易风控是指在金融交易发生的毫秒级窗口内，对每一笔交易进行风险识别、评估与决策的过程。其核心目标是在不影响正常用户体验的前提下，精准拦截欺诈、盗刷、洗钱等异常交易行为。
| 维度 | 传统风控 | 实时交易风控 |
|---|---|---|
| 处理时效 | T+1 或小时级 | 毫秒级（< 200ms） |
| 数据来源 | 离线报表、历史库 | 实时流、API、设备指纹 |
| 特征计算 | 批量ETL | 滑动窗口、流式计算 |
| 决策模式 | 规则+人工审核 | 规则+模型+实时策略 |
| 典型场景 | 贷后监控、对账 | 支付授权、登录校验 |
关键指标：实时风控系统通常要求 P99 延迟低于 100ms，吞吐量达到每秒万级甚至十万级交易处理能力。
1.2 特征工程在风控中的核心作用
特征工程是将原始交易数据转化为机器学习模型可理解、可区分的数值化表达的过程。在实时交易风控中，特征工程的质量直接决定了风控模型的天花板。
- 提升模型区分度：好的特征能放大正常交易与欺诈交易之间的差异，使模型更容易找到决策边界。
- 降低计算延迟：精心设计的特征工程可以避免在实时链路上进行复杂计算，保证毫秒级响应。
- 增强可解释性：特征维度的业务含义清晰，便于风控分析师定位异常原因。
- 支撑多场景复用：同一套特征体系可同时服务于支付、登录、转账等不同风控场景。
行业共识：在工业级风控系统中，特征工程占据模型开发 60% 以上的工作量，其重要性远超模型算法本身。
1.3 课程整体架构
本课程共 30 章，按照“基础 → 核心 → 进阶 → 实战”四阶段递进设计，覆盖实时交易风控特征工程的完整知识体系。
| 阶段 | 章节范围 | 核心内容 |
|---|---|---|
| 基础篇 | 第 1-6 章 | 风控特征工程概述、Python 实时计算环境搭建、数据源接入与清洗、基础统计特征 |
| 核心篇 | 第 7-16 章 | 滑动窗口特征、时序特征、聚合特征、设备指纹特征、图特征、文本特征 |
| 进阶篇 | 第 17-24 章 | 特征存储与缓存、特征监控、特征漂移检测、特征选择、自动化特征工程 |
| 实战篇 | 第 25-30 章 | 端到端实时风控系统搭建、性能调优、A/B 测试、生产部署与运维 |
学习建议：建议按照章节顺序学习，每章结束后完成配套练习。核心篇和进阶篇的代码示例需要动手运行，仅阅读无法掌握实时特征工程的精髓。
1.4 学习目标
完成本课程后，你将具备以下能力：
- 理解能力：掌握实时交易风控的业务逻辑与特征工程方法论。
- 编码能力：熟练使用 Python 进行实时特征计算、存储与监控。
- 设计能力：能够独立设计一套适用于生产环境的实时特征体系。
- 调优能力：掌握特征性能优化、延迟压测与特征漂移应对策略。
- 部署能力：具备将特征工程模块部署到实时流处理平台的经验。
1.5 学习路径与前置要求
本课程面向有一定 Python 基础的数据工程师、算法工程师或风控从业者。建议在学习前具备以下能力：
- 熟悉 Python 基础语法与 Pandas/NumPy 基本操作
- 了解基本的机器学习概念（分类、回归、特征重要性）
- 对实时流处理（如 Kafka、Redis）有初步认知
环境准备：课程代码基于 Python 3.9+，推荐使用 Anaconda 或 Docker 搭建统一开发环境。第 2 章将详细讲解环境搭建步骤。