3、风控特征工程：特征分类、特征构建、特征存储、特征监控

特征工程，说白了就是风控系统的“食材准备间”。

模型再牛，算法再先进，喂进去的特征是垃圾，出来的结果就是垃圾。我见过太多团队，花三个月调模型参数，结果一查，特征里居然有空值没处理干净。嗯，这种事，一次就够了。

3.1 特征分类：先分清楚再动手

我个人习惯把特征分成三大类。这样设计存储和计算的时候，思路会清晰很多。

特征类型	定义	典型例子	更新频率
静态特征	基本不变的用户属性	性别、注册时间、身份证归属地	一次性或低频
动态特征	随时间变化的行为数据	近7天登录次数、近30天交易金额	实时或准实时
衍生特征	基于原始数据加工计算	设备指纹、关系网络密度、多头借贷数	按需计算

3.2 特征构建：从原始数据到高价值特征

特征构建是风控工程师的核心手艺。我刚开始做的时候，也踩过不少坑。

3.2.1 时间窗口特征

这是风控里最常用的。比如“过去7天申请次数”。

为什么用7天？不是5天也不是10天？

我在项目中遇到过，某现金贷产品，用户从注册到申请平均间隔是6.8天。所以7天窗口刚好能覆盖一个完整的行为周期。你想想看，如果窗口设成3天，很多正常用户的行为就抓不到，模型会误判。

-- 示例：计算近7天申请次数
SELECT user_id,
       COUNT(*) AS apply_cnt_7d
FROM event_log
WHERE event_type = 'apply'
  AND event_time >= NOW() - INTERVAL 7 DAY
GROUP BY user_id;

3.2.2 比率与聚合特征

单一维度的特征往往不够。比如“申请次数”本身，不如“申请通过率”有区分度。

• 比率特征：通过率、逾期率、设备关联账户数
• 聚合统计：最大值、最小值、均值、标准差、分位数
• 序列特征：行为间隔、行为顺序、行为模式

举个例子。一个用户一天内申请了5次，每次间隔不到10分钟。这明显是机器行为。如果只看“申请次数”，可能只是觉得有点多。但加上“申请间隔标准差”，模型就能识别出这种异常模式。

3.2.3 图特征

这是高阶玩法。用户之间通过设备、IP、手机号等形成关系网络。

# 示例：计算用户的二度关联风险节点数
def get_second_degree_risk_nodes(user_id, graph, depth=2):
    visited = set()
    queue = [(user_id, 0)]
    risk_count = 0
    while queue:
        node, d = queue.pop(0)
        if d > depth:
            break
        if node in visited:
            continue
        visited.add(node)
        if graph.nodes[node].get('is_risk', False):
            risk_count += 1
        for neighbor in graph.neighbors(node):
            if neighbor not in visited:
                queue.append((neighbor, d+1))
    return risk_count

我记得有一次，一个团伙用200多个手机号申请贷款，每个号都换了设备。但图特征一跑，发现这些号都共用同一个WiFi MAC地址。嗯，图特征就是这么好用。

3.3 特征存储：选对工具，事半功倍

特征存储不是随便找个数据库就行的。不同特征有不同的存储需求。

存储类型	适用特征	推荐技术	关键指标
在线特征存储	实时决策需要的特征	Redis、HBase	P99延迟 < 10ms
离线特征存储	模型训练、批量分析	Hive、ClickHouse	高吞吐、低成本
特征元数据存储	特征定义、版本、血缘	MySQL、Neo4j	强一致性、可追溯

3.4 特征监控：别等出事了再后悔

特征监控是风控系统的“体检中心”。没有监控，你根本不知道特征什么时候坏了。

3.4.1 监控什么

• 特征覆盖率：是不是有大量用户特征缺失？
• 特征分布漂移：均值、方差有没有突然变化？
• 特征时效性：特征是不是过期了？
• 特征一致性：在线和离线算出来的值是否一致？

3.4.2 怎么监控

我个人习惯用PSI（群体稳定性指标）来监控特征分布漂移。

# 示例：计算PSI
def calculate_psi(expected, actual, bins=10):
    # 将数据分箱
    expected_hist, _ = np.histogram(expected, bins=bins, range=(0,1))
    actual_hist, _ = np.histogram(actual, bins=bins, range=(0,1))
    
    # 转换为比例
    expected_pct = expected_hist / len(expected)
    actual_pct = actual_hist / len(actual)
    
    # 计算PSI
    psi = 0
    for e, a in zip(expected_pct, actual_pct):
        if e == 0:
            e = 0.0001
        if a == 0:
            a = 0.0001
        psi += (a - e) * np.log(a / e)
    
    return psi

PSI超过0.1就要报警。超过0.25，基本可以确定特征出了问题。

3.5 本章知识体系

下面这张图，是我自己总结的特征工程全流程。你照着这个框架去设计，基本不会漏掉关键环节。

特征工程不是一锤子买卖。它是一个持续迭代的过程。特征构建完，上线跑一段时间，监控发现分布漂移了，回头重新构建，再存储，再监控。这个闭环，才是风控特征工程的核心。

---

公众号:蓝海资料掘金营，微信deep3321