2、金融特征缺失巡检的业务背景

2.1 缺失值：风控模型中的“隐形杀手”

在金融风控领域，特征缺失不是简单的“数据不完整”，而是直接影响模型决策质量、客户信用评估准确性和反欺诈有效性的关键风险点。缺失值会从以下三个核心维度侵蚀风控体系：

• 模型偏差与稳定性下降：缺失值若被简单填充（如均值填充），会扭曲特征的真实分布，导致模型在训练集与线上环境之间产生分布偏移（PSI升高），模型区分能力（KS/AUC）快速衰减。
• 信用评分失真：在申请评分卡（A卡）和行为评分卡（B卡）中，关键特征（如收入、负债率、还款历史）的缺失会直接导致评分低估或高估，引发错误授信或拒绝优质客户。
• 反欺诈规则失效：欺诈分子常利用信息缺失来规避规则引擎。例如，设备指纹、IP地址、联系人信息等特征的缺失，可能是刻意隐藏身份的信号，若未及时监控，欺诈团伙将利用该漏洞批量攻击。

2.2 缺失监控的三大业务场景

2.3 缺失监控与监管合规的强关联

金融监管机构对模型可解释性、数据完整性和公平性提出了明确要求。缺失值监控不仅是技术需求，更是合规底线：

• 模型可解释性要求：监管要求金融机构能够解释模型决策依据。若特征缺失导致模型依赖填充值而非真实值，将无法通过监管审计。
• 公平借贷原则：缺失值若在不同群体（如年龄、地域、收入水平）中分布不均，可能引发歧视性拒绝或定价，违反《公平信用报告法》（FCRA）等法规。
• 数据质量审计：巴塞尔协议III、银保监会《商业银行互联网贷款管理暂行办法》均要求建立数据质量监控体系，缺失率是核心监控指标之一。

2.4 缺失巡检的业务价值链路

下图展示了特征缺失巡检如何从数据层连接到业务决策层，形成完整的风险防控闭环：

2.5 缺失监控的监管合规要求清单

根据国内外金融监管实践，特征缺失巡检需要满足以下合规要求：

1. 缺失率阈值定义：对每个特征设定可接受的缺失率上限（通常为5%-30%），并在模型文档中明确记录。
2. 缺失处理策略文档化：所有缺失值填充方法（均值、中位数、模型预测、标记缺失等）必须写入模型开发报告。
3. 缺失分布公平性审计：定期检查缺失率在不同客户群体（年龄、性别、地域、收入）中的分布差异，确保无歧视性偏差。
4. 缺失告警与响应机制：建立缺失率突变的实时告警系统，并规定告警后的排查、修复和上报流程。
5. 模型上线前缺失评估：新模型上线前，必须完成特征缺失对模型性能影响的压力测试，并提交监管备案。