4. 特征工程入门：特征构造思路、WOE编码、IV值筛选、特征相关性分析

特征工程是风险定价模型从“原始数据”到“有效信号”的核心桥梁。本章聚焦于四个关键环节：特征构造（生成新变量）、WOE编码（将类别变量转化为单调风险序）、IV值筛选（量化预测力并剔除弱变量）、特征相关性分析（避免多重共线性导致模型不稳定）。

4.1 特征构造思路

特征构造通常从以下三个维度展开：

• 业务衍生：基于信贷逻辑生成比率、差值、交叉特征。例如：负债收入比 = 总负债 / 月收入、额度使用率 = 已用额度 / 授信总额度。
• 时间序列聚合：对历史行为进行统计聚合。例如：近3个月逾期次数、近6个月平均消费金额、最大逾期天数。
• 分箱与非线性变换：对连续变量进行分箱（等距、等频、决策树分箱），或取对数、平方根以压缩长尾分布。

4.2 WOE编码

WOE（Weight of Evidence，证据权重）是一种将类别变量或分箱后的连续变量转换为单调数值的编码方式，在信用评分卡模型中广泛使用。其核心思想是用“好客户占比 / 坏客户占比”的对数比率来反映每个分箱的风险水平。

WOE计算公式：

WOE_i = ln( (Good_i / Good_total) / (Bad_i / Bad_total) )

其中：

• Good_i：第i个分箱中“好客户”数量
• Bad_i：第i个分箱中“坏客户”数量
• Good_total：全部好客户数量
• Bad_total：全部坏客户数量

WOE编码的三大优势：

1. 单调性：WOE值随风险水平单调变化，便于逻辑回归等线性模型直接使用。
2. 标准化：所有特征被映射到同一量纲（对数比率尺度），方便比较。
3. 缺失值处理：缺失值可单独作为一个分箱，计算其WOE值，无需额外插补。

4.3 IV值筛选

IV（Information Value，信息量）用于衡量特征对好坏客户的区分能力。IV值越高，特征的预测能力越强。IV的计算基于WOE：

IV = Σ ( (Good_i/Good_total - Bad_i/Bad_total) × WOE_i )

IV值评判标准：

4.4 特征相关性分析

特征之间的高度相关性会导致多重共线性，使模型系数不稳定、解释性下降。常用的相关性分析方法包括：

• 皮尔逊相关系数：衡量线性相关，适用于连续变量。取值范围[-1, 1]。
• 斯皮尔曼秩相关系数：衡量单调相关，适用于有序变量或非线性关系。
• 方差膨胀因子（VIF）：量化多重共线性程度。VIF > 10表示存在严重共线性。

相关性处理原则：

1. 若两个特征相关系数绝对值 > 0.7，建议只保留IV值较高的一个。
2. 若一组特征业务含义高度重叠（如“近3月逾期次数”和“近6月逾期次数”），可考虑保留覆盖周期更全或IV更高的特征。
3. 对于VIF > 10的特征，优先删除，或使用PCA、岭回归等方法降维。