2. 离线特征基础：离线特征的计算流程与典型举例

离线特征（Batch Features）是金融风控体系中最成熟、最基础的特征生产方式。它基于历史存量数据，通过批量计算生成特征，通常以 T+1 或小时级延迟交付给模型使用。本章将系统拆解离线特征的计算流程，并给出两个最典型的金融风控特征案例。

2.1 离线特征计算流程

一个完整的离线特征生产链路包含四个核心阶段：数据采集 → ETL → 特征工程 → 特征存储。每个阶段都有明确的输入、输出和关键控制点。

2.1.1 阶段一：数据采集

数据采集是离线特征的起点，负责从各个数据源获取原始数据。金融风控场景中，数据源通常包括：

• 内部业务库：用户信息表、订单表、还款计划表、资金流水表。
• 外部数据源：征信报告（央行征信、百行征信）、多头借贷数据、黑名单库、设备指纹。
• 日志数据：用户行为埋点、APP 操作日志、API 调用日志。

采集方式以批量拉取为主，常用 Sqoop、DataX、Flume 等工具，按固定时间窗口（每日凌晨）将数据同步到离线数仓（Hive、MaxCompute）。

2.1.2 阶段二：ETL（数据清洗与转换）

ETL 阶段解决原始数据的“脏、乱、差”问题，是特征质量的生命线。主要操作包括：

2.1.3 阶段三：特征工程

特征工程是离线特征计算的核心环节，将清洗后的数据转化为模型可用的数值特征。金融风控中常见的特征工程操作包括：

• 统计聚合：对用户历史行为做 count、sum、avg、max、min、std 等聚合计算。例如“近 30 天借款次数”。
• 时间窗口计算：按固定时间窗口（7 天、30 天、90 天、180 天）滑动计算特征。
• 比率与衍生：计算逾期率、使用率、增长率等复合指标。
• 编码与分箱：对离散变量做 One-Hot 编码、WOE 编码；对连续变量做等距/等频分箱。

以下是一个典型的离线特征计算 SQL 示例：

-- 计算用户近 30 天多头借贷平台数
SELECT
    user_id,
    COUNT(DISTINCT platform_id) AS multi_platform_30d
FROM
    credit_query_log
WHERE
    query_time >= DATE_SUB(CURRENT_DATE, 30)
    AND query_type = 'loan_application'
GROUP BY
    user_id;

2.1.4 阶段四：特征存储

计算完成的离线特征需要持久化存储，供模型训练和线上推理使用。常见的存储方案：

2.2 典型离线特征举例

在金融风控领域，离线特征种类繁多，但有两个特征几乎出现在所有信贷模型中：多头借贷和历史逾期率。下面分别给出它们的定义、计算逻辑和业务含义。

2.2.1 多头借贷特征

定义：多头借贷指用户在多个借贷平台同时或短期内申请借款的行为。多头借贷特征量化了用户的“多头程度”，是预测违约风险的核心指标之一。

常见计算口径：

2.2.2 历史逾期率特征

定义：历史逾期率反映用户在过去一段时间内的还款表现，是衡量用户信用水平最直接的指标。

常见计算口径：

2.3 离线特征的关键设计原则

在构建离线特征体系时，需要遵循以下设计原则，以保证特征的质量和可用性：

1. 可回溯性：每个特征值必须能精确对应到某个时间点。使用“快照表”或“拉链表”存储历史状态，避免使用当前数据回溯历史。
2. 一致性：离线训练特征与线上推理特征的计算逻辑必须完全一致。建议将特征计算逻辑封装为特征函数，离线和线上共用同一份代码。
3. 时效性：离线特征虽然延迟较高，但必须满足模型训练和决策的时间要求。通常 T+1 特征在早上 8 点前必须就绪。
4. 可扩展性：特征体系应支持快速新增特征，而不需要重构整个计算链路。建议采用“特征组”+“特征视图”的分层架构。