2. 特征工程基础回顾：特征类型与评估体系
在金融风控场景中，特征工程是模型性能的基石。本章系统回顾三大核心模块：特征类型（数值/类别/时序）、特征重要性评估方法（IV、SHAP）以及特征稳定性指标（PSI）。掌握这些基础，是后续进行特征回放评审与A/B测试的前提。
2.1 特征类型：数值、类别与时序
金融特征按数据性质可分为三类，每类在预处理、分箱和建模中的处理方式截然不同。
| 特征类型 | 典型示例 | 常见预处理 | 分箱/编码方式 | 风控注意事项 |
|---|---|---|---|---|
| 数值型 | 收入、年龄、负债率 | 缺失值填充、异常值截断、标准化/归一化 | 等距分箱、等频分箱、最优分箱（基于IV） | 注意长尾分布和极端值对模型的影响 |
| 类别型 | 职业、学历、地区编码 | 缺失值作为单独类别、低频类别合并 | WOE编码、One-Hot编码、Label编码 | 避免高基数特征导致过拟合；WOE编码需在训练集上计算 |
| 时序型 | 近3个月逾期次数、近6个月查询次数 | 窗口聚合（均值/最大值/趋势）、时间衰减权重 | 按时间窗口分箱、趋势特征（斜率） | 严格避免未来信息泄露；需按时间顺序划分训练/测试集 |
实战提示：在金融风控中，时序特征的构造最容易引入“未来信息”。例如，使用“当前月份”的逾期次数预测“当前月份”的违约状态，属于典型的标签泄露。务必确保特征计算的时间窗口严格在标签观察点之前。
2.2 特征重要性评估方法
特征重要性评估用于筛选对目标变量预测能力最强的特征，降低维度并提升模型可解释性。金融风控中主流方法包括IV（信息价值）和SHAP（SHapley Additive exPlanations）。
2.2.1 IV（信息价值）
IV值基于WOE（Weight of Evidence）计算，衡量特征对二元目标变量的区分能力。IV值越高，特征区分好坏样本的能力越强。
| IV值范围 | 预测能力 | 风控建议 |
|---|---|---|
| < 0.02 | 无预测能力 | 建议剔除 |
| 0.02 – 0.10 | 弱预测能力 | 可保留，但需结合其他特征 |
| 0.10 – 0.30 | 中等预测能力 | 常用特征，优先保留 |
| 0.30 – 0.50 | 强预测能力 | 核心特征，重点关注稳定性 |
| > 0.50 | 异常高（可能过拟合） | 需检查是否包含未来信息或数据泄露 |
IV计算步骤：
- 将特征进行分箱（等频/等距/最优分箱）。
- 计算每个分箱的WOE：
WOE_i = ln( (好样本占比_i) / (坏样本占比_i) ) - 计算每个分箱的IV贡献：
IV_i = (好样本占比_i - 坏样本占比_i) * WOE_i - 汇总所有分箱的IV贡献：
IV = Σ IV_i
2.2.2 SHAP（SHapley Additive exPlanations）
SHAP基于博弈论中的Shapley值，为每个特征分配一个对预测结果的贡献值。相比IV，SHAP能提供全局重要性和局部解释，且适用于复杂模型（如XGBoost、LightGBM）。
- 全局重要性：所有样本的SHAP绝对值均值，反映特征的整体影响力。
- 局部解释：单个样本的SHAP值，可解释“为什么这个客户被判定为高风险”。
- 方向性：SHAP值可正可负，正表示推动预测结果向“坏样本”方向，负表示向“好样本”方向。
注意：IV仅适用于单变量分析，且要求特征已分箱；SHAP适用于多变量模型，但计算成本较高。在特征回放评审中，通常先用IV做初筛，再用SHAP做深度验证。
2.3 特征稳定性指标（PSI）
特征稳定性是金融风控模型上线后持续监控的核心。PSI（Population Stability Index）衡量特征在训练集（基准集）与测试集/新样本集之间的分布偏移程度。
2.3.1 PSI计算公式
PSI = Σ ( (实际占比_i - 预期占比_i) * ln(实际占比_i / 预期占比_i) )
其中：
- 预期占比_i：训练集（基准集）第i个分箱的样本占比
- 实际占比_i：测试集/新样本集第i个分箱的样本占比
- 分箱方式需与IV分箱保持一致2.3.2 PSI评判标准
| PSI值范围 | 稳定性等级 | 风控行动 |
|---|---|---|
| < 0.10 | 稳定 | 无需处理，可正常使用 |
| 0.10 – 0.25 | 轻度偏移 | 需监控，检查业务逻辑是否变化 |
| 0.25 – 0.50 | 中度偏移 | 建议重新训练模型或调整特征 |
| > 0.50 | 严重偏移 | 特征已失效，必须剔除或重构 |
实战案例：某消费金融产品上线后，特征“近3个月查询次数”的PSI从0.08飙升至0.45。经排查，发现原因是央行征信接口升级，导致查询次数统计口径变化。最终通过重新分箱和特征重构，将PSI降至0.12以下。
2.3.3 PSI与IV的协同监控
在特征回放评审中，建议同时监控特征的预测能力（IV）和稳定性（PSI），形成四象限决策矩阵：
- 高IV + 低PSI：理想特征，优先保留。
- 高IV + 高PSI：预测能力强但不稳定，需排查原因，可能需重构。
- 低IV + 低PSI：稳定但预测能力弱，可考虑剔除。
- 低IV + 高PSI：既不稳定又无预测能力，直接剔除。
特征回放评审清单（每日/每周）：
- 计算每个特征的PSI，标记PSI > 0.25的特征。
- 对比当前IV与基准IV，若IV下降超过30%，触发预警。
- 对高PSI特征进行分箱分布可视化，定位偏移分箱。
- 结合业务知识判断偏移原因（政策变化、数据源变更、客群漂移等）。
- 输出特征回放报告，供模型迭代决策。
通过系统掌握特征类型、重要性评估和稳定性监控，你已具备进行金融特征回放评审的基础能力。下一环节将进入A/B测试的实战设计。