4. 特征工程概念
特征工程是信用评分模型开发中最关键、最耗时的环节。原始数据（如交易流水、客户信息表）无法直接输入模型，必须经过一系列转换、清洗和构造，生成具有预测能力的特征变量。特征工程的质量直接决定了模型性能的上限——“数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限”。
4.1 特征工程定义
特征工程（Feature Engineering）是指利用领域知识和数学变换，从原始数据中提取、构造、选择最能反映问题本质的特征变量的过程。在SQL信用评分场景中，特征工程通常包含以下四个子任务：
- 特征提取（Feature Extraction）：从原始表（如交易流水、申请信息）中通过聚合、窗口函数、条件计数等方式生成新字段。
- 特征构造（Feature Construction）：基于已有特征通过四则运算、比率、分箱、交叉组合等方式创建高阶特征。
- 特征选择（Feature Selection）：从大量候选特征中筛选出与目标变量（如逾期标签）相关性高、冗余度低的子集。
- 特征变换（Feature Transformation）：对数值型特征进行标准化、对数化、WOE编码等处理，使其满足模型假设。
ROW_NUMBER、LAG、SUM OVER）和聚合函数，可以高效生成时序特征和汇总特征。
4.2 特征类型
信用评分模型中的特征按数据性质可分为三大类：数值型、类别型和时序型。每种类型在SQL提取方式和模型适用性上存在显著差异。
| 特征类型 | 定义 | SQL提取示例 | 信用评分典型特征 |
|---|---|---|---|
| 数值型 | 连续或离散的数值，可进行四则运算 | AVG(amount) OVER (PARTITION BY user_id) |
近6个月平均消费金额、年龄、收入 |
| 类别型 | 有限个离散取值，无天然顺序 | CASE WHEN channel='APP' THEN 1 ELSE 0 END |
婚姻状况、职业类型、学历等级 |
| 时序型 | 包含时间顺序的序列数据，关注趋势和周期性 | LAG(amount,1) OVER (PARTITION BY user_id ORDER BY trans_date) |
近3个月消费金额环比变化、还款间隔天数 |
4.2.1 数值型特征
数值型特征是信用评分模型中最常见的输入。在SQL中，数值型特征通常通过聚合函数（SUM、AVG、MAX、MIN、COUNT）和窗口函数生成。需要注意：数值型特征可能存在长尾分布（如收入、交易金额），在建模前通常需要做对数变换或分箱处理。
4.2.2 类别型特征
类别型特征在SQL中通常通过CASE WHEN或DECODE转换为哑变量（Dummy Variables）。在信用评分中，类别型特征需要特别注意稀疏类别问题——当某个类别的样本量过少时，应合并到“其他”类别，避免过拟合。常用的编码方式包括：独热编码、WOE编码（信用评分专用）、目标编码。
4.2.3 时序型特征
时序型特征是信用评分模型区别于传统评分卡的重要特征类型。通过SQL的LAG、LEAD、ROW_NUMBER等窗口函数，可以提取：
- 趋势特征：近3个月消费金额的移动平均、斜率
- 波动特征：交易金额的标准差、变异系数
- 间隔特征：两次还款之间的天数、最近一次交易距今的天数
- 周期性特征：周末/工作日消费比例、月初/月末还款行为差异
4.3 特征质量评估标准
在信用评分项目中，特征数量可能从几十个到上千个不等。如何评估一个特征的好坏？以下五个维度是业界通用的评估标准：
| 评估维度 | 定义 | 信用评分中的量化指标 | SQL可计算性 |
|---|---|---|---|
| 预测能力 | 特征区分好坏客户的能力 | IV（信息值）、卡方检验、AUC | 部分可算（IV需分箱后计算） |
| 稳定性 | 特征分布随时间变化的程度 | PSI（群体稳定性指标） | 可算（按月/按周计算分布差异） |
| 覆盖率 | 特征非空值的比例 | 缺失率 = 缺失数 / 总样本数 | 可算（COUNT(*) / COUNT(feature)） |
| 单调性 | 特征值与坏账率之间是否存在单调关系 | 分箱后坏账率单调递增/递减 | 可算（分箱后计算每箱坏账率） |
| 可解释性 | 特征的业务含义是否清晰 | 业务专家评审、逻辑回归系数符号 | 不可直接计算（需人工判断） |
4.3.1 预测能力——IV值
IV（Information Value，信息值）是信用评分中最常用的特征筛选指标。IV值越高，说明特征区分好坏客户的能力越强。经验阈值如下：
- IV < 0.02：无预测能力，建议剔除
- 0.02 ≤ IV < 0.1：弱预测能力
- 0.1 ≤ IV < 0.3：中等预测能力
- IV ≥ 0.3：强预测能力（需注意过拟合风险）
WITH bin_stats AS (
SELECT
bin,
SUM(CASE WHEN target = 1 THEN 1 ELSE 0 END) AS bad_cnt,
SUM(CASE WHEN target = 0 THEN 1 ELSE 0 END) AS good_cnt
FROM feature_table
GROUP BY bin
),
total_stats AS (
SELECT
SUM(bad_cnt) AS total_bad,
SUM(good_cnt) AS total_good
FROM bin_stats
)
SELECT
SUM((bad_cnt/total_bad - good_cnt/total_good) *
LN((bad_cnt/total_bad) / (good_cnt/total_good))) AS iv_value
FROM bin_stats, total_stats;4.3.2 稳定性——PSI值
PSI（Population Stability Index，群体稳定性指标）衡量特征在训练集和验证集（或不同时间窗口）之间的分布差异。PSI < 0.1 表示特征稳定，0.1-0.25 表示轻度偏移，> 0.25 表示严重偏移，需要重新训练或剔除特征。
4.3.3 覆盖率与缺失值处理
在信用评分中，缺失率超过50%的特征通常会被直接剔除，除非该缺失本身具有业务含义（如“从未申请过贷款”本身就是一种行为模式）。SQL中可以通过SUM(CASE WHEN feature IS NULL THEN 1 ELSE 0 END) / COUNT(*)快速计算缺失率。
4.3.4 单调性检验
对于逻辑回归评分卡，特征与坏账率之间应保持单调关系。如果某个特征的分箱坏账率呈现“先升后降”或“先降后升”的非单调模式，通常需要重新分箱或进行变换。SQL中可以通过分箱后按箱号排序，检查坏账率是否单调递增或递减。