2. 特征回放评审基础

2.1 什么是特征回放

特征回放（Feature Replay）是金融风控模型开发与迭代中的一项关键验证活动。它并非简单的数据“重放”，而是指在模型上线后，使用最新的生产环境数据，按照原始模型的特征工程逻辑重新计算并评估特征表现的过程。其核心目的是检测特征在时间推移、客群变化、业务策略调整等动态环境下的稳定性与有效性是否发生显著衰减。

在金融场景中，特征回放主要解决以下三个关键问题：

• 特征偏移检测： 识别特征分布（如均值、方差、分位数）是否发生结构性变化。
• 逻辑一致性校验： 确认特征计算代码在数据源或业务规则变更后仍能正确执行。
• 性能衰减预警： 量化特征对目标变量的区分能力（如IV值、KS值）是否下降。

2.2 评审流程概览

一个标准的特征回放评审流程通常包含以下五个阶段，形成从触发到决策的闭环：

2.3 特征生命周期管理

特征并非一成不变的静态资产，而是具有明确生命周期的动态实体。在金融风控体系中，特征生命周期通常划分为以下六个阶段：

1. 设计阶段： 基于业务逻辑与数据探索，定义特征的计算公式、输入源与预期行为。
2. 开发与验证阶段： 编写特征工程代码，在历史数据上验证特征的区分度与稳定性。
3. 上线部署阶段： 将特征纳入生产流水线，配置监控与告警规则。
4. 运行与监控阶段： 持续跟踪特征分布、缺失率、计算延迟等运行指标。
5. 回放评审阶段： 定期执行特征回放，评估特征是否仍满足业务与模型要求。
6. 退役阶段： 对失效或冗余特征执行下线、归档或替换操作。

特征生命周期与回放评审的关联尤为紧密。下表展示了不同生命周期阶段对应的回放评审策略：

在XGBoost模型的实际应用中，特征生命周期管理需要与模型版本管理紧密结合。以下是一个简化的特征状态管理代码示例：

# 特征生命周期状态管理示例（Python伪代码）
class FeatureLifecycle:
    def __init__(self, feature_name):
        self.name = feature_name
        self.status = 'design'  # design | active | monitoring | retired
        self.replay_history = []

    def run_replay(self, new_data, model_logic):
        """执行特征回放并记录结果"""
        replayed_values = model_logic.compute(new_data)
        psi_score = calculate_psi(self.baseline, replayed_values)
        self.replay_history.append({
            'timestamp': datetime.now(),
            'psi': psi_score,
            'status': self.status
        })
        if psi_score > 0.25:
            self.status = 'retired'
            self._trigger_retirement_alert()
        return psi_score

    def _trigger_retirement_alert(self):
        print(f"[ALERT] 特征 {self.name} PSI 超标，建议进入退役流程。")