2. 金融特征工程基础：特征分类与存储格式

在金融风控、量化交易与用户画像场景中，特征工程的质量直接决定模型效果的上限。本章聚焦于金融特征的三大分类体系与三种主流存储格式，为后续离线/实时特征回放对比打下坚实的理论基础。

2.1 特征分类体系

金融特征按计算逻辑与时间维度可划分为三类：基础统计特征、时序特征与衍生特征。三者层层递进，共同构成金融特征工程的核心骨架。

2.1.1 基础统计特征

基础统计特征是对原始字段的直接数学汇总，计算窗口通常为固定时间区间（如近30天、近90天）。常见类型包括：

• 集中趋势：均值、中位数、众数（如近30天平均消费金额）。
• 离散程度：标准差、方差、极差、四分位距（如交易金额波动率）。
• 分布形态：偏度、峰度（用于检测异常交易分布）。
• 计数与占比：交易次数、逾期次数、大额交易占比。

2.1.2 时序特征

时序特征强调数据在时间轴上的顺序性与周期性，是金融场景区别于普通表格数据的核心差异。典型时序特征包括：

• 滞后特征：T-1、T-7、T-30 时刻的字段值（如昨日余额）。
• 滑动窗口聚合：近7天移动平均、近30天滚动求和。
• 趋势与季节性：线性斜率、环比增长率、同比变化率。
• 时间间隔特征：上次交易距今天数、相邻交易时间间隔的均值/标准差。

2.1.3 衍生特征

衍生特征通过特征交叉、比率计算或业务规则生成，旨在捕捉单一字段无法表达的复杂模式：

• 比率特征：负债收入比（DTI）、信用卡使用率、收入/交易额比值。
• 交叉组合：年龄×收入分段、地区×行业类别。
• 聚合对比：个人均值 vs 群体均值（如用户消费金额与同城市均值之比）。
• 业务规则编码：是否命中黑名单、多头借贷标记、设备指纹异常标记。

2.2 特征存储格式对比

金融特征数据通常以列式或行式格式存储在数据湖或特征存储中。三种主流格式——Parquet、ORC、Avro——在压缩率、读取性能与Schema演进支持上各有优劣。

2.2.1 Parquet

Parquet 是 Apache Hadoop 生态中最流行的列式存储格式，专为分析型查询优化。其核心特性包括：

• 列式布局：按列存储数据，支持谓词下推与列裁剪，大幅减少I/O。
• 高效压缩：支持 Snappy、Gzip、ZSTD 等编码，同一列数据类型一致，压缩比高。
• Schema 嵌套：原生支持复杂嵌套结构（如 JSON 对象、数组）。
• 适用场景：离线批量特征计算、特征存储宽表、Spark/Hive 分析任务。

2.2.2 ORC

ORC（Optimized Row Columnar）由 Hive 社区开发，在 Hive 与 Presto 生态中性能表现突出：

• 列式 + 轻量索引：内置 min/max 索引与布隆过滤器，加速数据跳过。
• ACID 事务支持：支持 Hive 的 ACID 操作，适合需要更新/删除的场景。
• 压缩效率：默认使用 ZLIB 压缩，在相同数据量下通常比 Parquet 压缩率更高。
• 适用场景：Hive 数仓、大规模离线特征存储、需要事务保证的特征表。

2.2.3 Avro

Avro 是行式存储格式，强调序列化效率与 Schema 演进能力：

• 行式布局：按行存储，适合逐条写入与实时流处理。
• Schema 内嵌：数据文件自带 Schema，支持向前/向后兼容。
• 低序列化开销：二进制编码紧凑，适合 Kafka 消息与实时特征管道。
• 适用场景：实时特征计算、Kafka 消息序列化、在线特征服务。

2.3 特征分类与存储格式的映射关系

在实际金融特征工程中，不同类别的特征适合不同的存储格式。下表总结了推荐映射关系：