4. 特征工程基础：特征分类、时效性与质量监控

在实时特征服务与贷后预警模型的协同体系中，特征工程是连接原始数据与模型决策的桥梁。本章聚焦于特征的三大核心维度：分类体系、时效性管理与质量监控机制。只有深刻理解这三者，才能构建出既稳定又敏捷的实时特征管线。

4.1 特征分类：静态、动态与聚合

根据数据来源与计算方式，贷后预警模型中的特征可划分为三大类。每类特征在实时性、存储成本和业务含义上均有显著差异。

4.2 特征时效性：从秒级到天级的生命周期

特征时效性决定了模型能否在风险发生前做出响应。在实时特征服务中，不同特征拥有不同的“保质期”。

• 秒级特征：如“当前设备GPS与常用地址距离”，用于拦截欺诈交易，要求端到端延迟 < 500ms。
• 分钟级特征：如“最近1小时还款失败次数”，用于触发早期预警，延迟容忍度 1~5 分钟。
• 小时级特征：如“当日催收接通率”，用于调整催收策略，延迟可接受 1~2 小时。
• 天级特征：如“近30天收入波动系数”，用于模型批量评分，通常 T+1 更新。

4.3 特征质量监控：从生产到退化的全链路守护

特征质量是模型效果的基石。在实时特征服务中，数据漂移、计算异常、延迟超标等问题会直接导致预警模型失效。必须建立覆盖生产前、生产中、生产后的三级监控体系。

4.3.1 生产前：特征准入校验

• 完整性检查：空值率 < 5%（连续特征）或 < 1%（ID类特征）。
• 分布合理性：均值、方差、分位数在预期范围内，无异常尖峰。
• 时效性验证：特征生成时间戳与事件时间戳的差值 < 特征 max_age。

4.3.2 生产中：实时监控告警

• 延迟监控：P99 特征计算延迟 > 阈值时触发告警。
• 空值率监控：滑动窗口内空值率突增 > 3σ 时自动降级。
• 分布漂移检测：使用 PSI（群体稳定性指标）或 KS 统计量，PSI > 0.1 时触发人工审核。

4.3.3 生产后：特征退化分析

• 特征重要性衰减：对比模型训练时的 SHAP 值与当前 SHAP 值，下降 > 30% 的特征标记为“退化”。
• 特征相关性变化：特征与目标变量的相关系数绝对值下降 > 0.1 时，需重新评估特征有效性。

4.4 实战案例：特征质量监控在贷后预警中的落地

某消费金融公司在实时贷后预警系统中，曾因“近7天还款失败次数”特征的计算逻辑变更（从自然周改为滚动窗口），导致特征分布发生剧烈漂移（PSI 从 0.03 飙升至 0.42）。由于未配置 PSI 监控，模型在 3 天内误报率上升 15%，召回率下降 8%。

事后复盘改进：

1. 为所有聚合特征配置 PSI 日监控，阈值设为 0.1。
2. 特征上线前增加 A/B 对比测试，新特征与旧特征在离线数据集上的分布差异必须 < 0.05。
3. 建立 特征版本管理，每次变更自动生成版本号并记录变更日志。

# 特征质量监控伪代码示例（Python）
def monitor_feature_quality(feature_df, baseline_stats, threshold_psi=0.1):
    """
    监控特征质量，返回是否触发告警
    """
    current_stats = compute_distribution(feature_df)
    psi = calculate_psi(baseline_stats, current_stats)
    null_rate = feature_df.isnull().mean()
    latency_p99 = compute_latency_p99(feature_df)

    alerts = []
    if psi > threshold_psi:
        alerts.append(f"PSI漂移告警: {psi:.3f}")
    if null_rate > 0.05:
        alerts.append(f"空值率超标: {null_rate:.2%}")
    if latency_p99 > 5000:  # 毫秒
        alerts.append(f"延迟超标: {latency_p99}ms")

    return alerts