1. 课程导论：金融特征缺失巡检的背景与重要性

1.1 金融特征缺失的背景与挑战

在金融风控、量化交易与客户画像建模中，特征数据是模型决策的“燃料”。然而，由于数据源中断、采集延迟、系统升级或人为操作失误，特征缺失已成为金融数据质量中最常见、破坏性最强的问题之一。

特征缺失带来的连锁反应包括：

• 模型预测偏差： 缺失值被填充或忽略后，模型输出概率失真，导致误判。
• 策略执行错误： 依赖缺失特征的规则引擎可能触发错误决策（如错误放贷或错误拦截）。
• 监管合规风险： 金融监管机构对数据完整性有明确要求，特征缺失可能引发合规审计问题。
• 运维排查困难： 缺失原因分散在采集、清洗、存储、计算等多个环节，人工巡检效率极低。

1.2 课程目标与适用人群

1.3 课程整体结构概览

本课程共分为 8 个模块，从基础概念到实战部署，层层递进：

1.4 特征缺失巡检的核心流程

下图展示了金融特征缺失巡检工具从数据接入到告警输出的完整工作流：

1.5 特征缺失巡检的典型场景

在实际金融业务中，特征缺失巡检覆盖以下高频场景：

• 风控特征缺失： 如用户收入、负债率、征信查询次数等关键风控变量缺失，导致评分卡失效。
• 交易特征缺失： 如交易金额、商户类别码、IP 地址等特征缺失，影响反欺诈模型判断。
• 时序特征缺失： 如近 30 天消费均值、近 7 天登录次数等滑动窗口特征因数据延迟而缺失。
• 衍生特征缺失： 如交叉比率、同比变化率等计算依赖上游特征，上游缺失导致下游连锁缺失。