1. 课程导论：离线特征与实时特征的定义、在金融风控中的核心价值、课程学习目标与适用人群
1.1 什么是金融风控特征？
在金融风控领域，特征是从原始业务数据中提取、用于描述用户或交易风险属性的量化指标。它是风控模型（如评分卡、决策树、神经网络）的输入变量，直接决定模型对欺诈、逾期、多头借贷等风险的识别能力。
根据数据加工与交付的时间窗口，特征可分为两大类：
| 维度 | 离线特征（Batch Feature） | 实时特征（Real-Time Feature） |
|---|---|---|
| 定义 | 基于历史存量数据，通过离线批处理（T+1 / 小时级）计算并存储的特征 | 在事件发生瞬间或毫秒级窗口内，基于流式数据计算并直接参与决策的特征 |
| 计算引擎 | Hive / Spark / 离线数仓 | Flink / Kafka Streams / 实时计算引擎 |
| 数据时效 | 分钟级 ~ 天级 | 毫秒级 ~ 秒级 |
| 典型场景 | 征信报告评分、历史借贷次数、近6个月逾期天数 | 当前设备指纹、IP风险、交易频次（1秒内） |
| 存储方式 | Hive 表 / 离线特征库 | Redis / 内存特征存储 |
核心认知：离线特征回答“用户过去是谁”，实时特征回答“用户当前正在做什么”。两者互补，共同构成风控决策的完整信息拼图。
1.2 离线特征与实时特征在金融风控中的核心价值
现代金融风控体系已从单一离线模型演进为离线+实时双引擎架构。两者的价值对比如下：
- 离线特征的核心价值：
- 深度画像：利用全量历史数据构建用户长期信用画像，如收入稳定性、多头借贷趋势。
- 复杂计算：支持窗口跨度大（如近12个月）、聚合逻辑复杂（如方差、分位数）的特征。
- 模型训练基础：离线特征库是风控模型训练和回溯验证的数据基石。
- 成本可控：批量计算单位成本低，适合大规模全量加工。
- 实时特征的核心价值：
- 秒级拦截：在交易或申请发生的瞬间识别异常行为，如短时间内跨地域登录。
- 对抗欺诈：捕捉团伙攻击、设备农场、模拟器等动态变化的风险信号。
- 动态策略：支持基于当前上下文（如网络环境、GPS）的差异化决策。
- 自适应学习：实时反馈可快速迭代规则与模型，缩短风险响应周期。
行业数据：某头部消费金融平台引入实时特征后，首笔交易欺诈损失降低 62%，同时通过率仅下降 1.8%。离线特征与实时特征的协同，是风控精细化运营的关键杠杆。
1.3 离线与实时特征协同架构（SVG）
下图展示金融风控中离线特征与实时特征的典型协同架构：
架构要点：离线特征提供“历史深度”，实时特征提供“当前广度”。决策引擎将两者融合，实现“既看过去、又看现在”的全方位风险评估。
1.4 课程学习目标
完成本课程后，学员将具备以下能力：
| 目标编号 | 具体目标 | 对应能力层级 |
|---|---|---|
| 1 | 清晰区分离线特征与实时特征的定义、计算模式与适用场景 | 理解 |
| 2 | 掌握离线特征与实时特征在风控模型中的协同设计方法 | 应用 |
| 3 | 能够设计并实现离线特征库与实时特征存储的架构方案 | 分析 |
| 4 | 理解特征一致性、时效性、成本与性能的权衡策略 | 评估 |
| 5 | 具备从0到1搭建离线+实时特征体系的项目落地能力 | 创造 |
1.5 适用人群
本课程面向以下三类核心人群：
- 金融风控从业者（策略/模型/数据分析师）：希望深入理解特征工程全貌，提升模型效果与策略时效性。
- 数据架构师 / 大数据工程师：需要设计离线与实时融合的数据架构，解决特征生产、存储、服务中的技术挑战。
- 技术管理者 / 风控负责人：需要评估离线与实时特征的投资回报比，制定技术演进路线图。
前置要求：建议学员具备基础的 SQL 能力，了解风控模型（如评分卡、决策树）的基本概念，对大数据组件（Hive、Spark、Flink）有初步认知。本课程会从原理到实践逐步深入，零基础学员也可从第1章开始系统学习。
1.6 课程内容全景图（SVG）
本课程共30章，覆盖从概念到实战的完整知识体系。下图展示课程四大模块与核心章节：
学习建议：建议按章节顺序学习，前5章打好概念基础，中间10章掌握技术实现，后10章聚焦模型与实战。每章后的思考题和代码练习请务必动手完成，以加深理解。