1. 特征一致性校验概述
1.1 什么是特征一致性校验
特征一致性校验（Feature Consistency Validation, FCV）是指在信用评分模型的生命周期中，对模型输入特征在开发环境与生产环境之间的分布、逻辑、编码及缺失模式进行系统性比对与验证的过程。其核心目标是确保模型在部署后所接收的数据特征与模型训练时所使用的特征保持高度一致，从而保障模型输出的稳定性和可靠性。
核心定义：特征一致性校验是连接模型开发与模型部署的“数据质量守门人”，它量化评估“训练数据”与“生产数据”在特征层面的差异程度，并设定可接受的偏差阈值。
1.2 为什么特征一致性如此重要
在信用评分领域，特征一致性的缺失会直接导致模型性能衰退，引发以下严重后果：
- 评分偏移：特征分布变化导致评分卡分数系统性偏高或偏低，破坏风险排序能力。
- 决策错误：特征编码或逻辑不一致（如收入字段单位从“元”变为“千元”）造成误判。
- 监管合规风险：无法向监管机构证明模型在生产环境中的运行状态与开发验证结果一致。
- 模型失效：极端情况下，特征完全缺失或取值域错误导致模型无法正常计算。
| 不一致类型 | 典型场景 | 潜在影响 |
|---|---|---|
| 分布偏移 | 客户年龄分布从30-40岁变为20-30岁 | 评分卡区分度下降，坏账率预估偏差 |
| 编码不一致 | 性别字段开发用0/1，生产用M/F | 模型计算报错或产生异常分值 |
| 缺失模式变化 | 收入字段缺失率从5%升至30% | 模型依赖的填充逻辑失效，评分失真 |
| 逻辑变更 | “逾期天数”计算口径从自然日变为工作日 | 特征值系统性偏差，模型排序能力受损 |
1.3 在信用评分模型生命周期中的位置
特征一致性校验并非一次性活动，而是贯穿模型生命周期多个关键阶段的核心质量活动。下图展示了其在标准信用评分模型生命周期中的具体位置：
1.4 三个关键介入点详解
根据上图所示，特征一致性校验在模型生命周期中存在三个不可替代的介入点：
- 模型验证阶段（介入点①）：在独立验证数据集上执行校验，确保特征工程代码可复现，特征分布与训练集一致。这是模型通过验证的前提条件。
- 部署上线前（介入点②）：在生产环境灰度或小流量阶段，对比开发环境与生产环境的特征输出。这是防止“代码翻译错误”或“环境差异”导致模型失效的最后防线。
- 持续监控阶段（介入点③）：以周/月为周期，将当前生产特征分布与模型开发时的基准分布进行比对。这是发现数据漂移、及时触发模型重训练或校准的早期预警机制。
实践建议：建议在模型监控仪表板中设置特征一致性“交通灯”指标——绿灯（PSI < 0.1）表示稳定，黄灯（0.1 ≤ PSI < 0.25）表示需关注，红灯（PSI ≥ 0.25）表示需立即干预。具体阈值可根据业务风险偏好调整。
1.5 特征一致性与模型性能的关系
特征一致性并非孤立的质量指标，它与模型性能指标之间存在明确的传导关系：
1.6 常见误区与避坑指南
| 误区 | 错误认知 | 正确做法 |
|---|---|---|
| “一次性校验” | 只在模型上线前做一次校验即可 | 建立持续监控机制，定期（如每月）执行校验 |
| “只看分布” | 只关注数值型特征的分布差异 | 同时校验缺失率、编码映射、异常值、业务逻辑 |
| “阈值一刀切” | 所有特征使用相同的PSI阈值 | 根据特征重要性、业务敏感性设置差异化阈值 |
| “忽略业务上下文” | 纯统计检验通过即认为一致 | 结合业务规则验证特征取值的业务合理性 |
重要提醒：特征一致性校验不是模型验证的“可选项”，而是监管机构（如巴塞尔委员会、央行征信管理局）对信用评分模型管理的基本要求。在模型审计报告中，特征一致性校验记录是必须提供的核心证据之一。