在交通银行的信贷业务中，数据分析师需要构建信贷风险模型。请说明如何从原始数据（如用户征信报告、交易数据、行为数据）中提取有效特征，并解释每个特征对风险预测的贡献。例如，如何处理“历史逾期记录”这一特征，以及如何构建“行为特征”如“月均还款金额波动率”等。
答案
1) 【一句话结论】：信贷风险模型的有效特征需从用户征信、交易、行为等多源数据中提取，通过特征工程（如历史逾期记录的量化、行为波动率的计算），每个特征从不同维度（信用历史、还款能力、行为稳定性）反映风险，需结合业务逻辑（时间窗口、数据缺失处理）和有效性验证（统计检验、模型性能指标），共同提升模型对信贷风险的预测精度。
2) 【原理/概念讲解】：数据分析师构建信贷风险模型时，特征工程是核心步骤，原始数据（如征信报告、交易流水）是“原材料”，特征是“加工后的零件”，模型需要这些“零件”来识别风险模式。例如，“历史逾期记录”是用户信用历史的直接体现，反映其过往还款能力；“月均还款金额波动率”属于行为特征，反映还款能力的稳定性。类比：判断一个人是否可靠，征信是“过往行为记录”，还款波动是“当前行为是否稳定”，就像看一个人的历史表现和当前行为的一致性，判断其可靠性。多源数据整合是关键，需将征信（静态信用）、交易（还款能力）、行为（当前行为模式）数据融合，每个数据源提供不同维度的信息，共同构建全面的特征集。
3) 【对比与适用场景】：
| 特征类型 | 定义 | 处理方法 | 风险贡献 | 时间窗口选择依据 | 注意点 |
|---|---|---|---|---|---|
| 历史逾期记录 | 用户过去一定时期内的逾期次数、逾期天数、严重逾期（如90天以上） | 统计过去N期（如12期）的逾期次数、平均逾期天数、严重逾期次数；若数据不足，补0或均值 | 反映信用历史，直接关联违约概率，逾期次数/天数越多，风险越高 | 信用卡业务中，还款频率为月度，通常选12个月（1年）或6个月（短期趋势），依据业务周期和风险监测频率 | 若数据缺失，需根据业务规则（如最近一期无逾期则补0），避免偏差 |
| 月均还款金额波动率 | 还款金额的波动程度，公式：波动率 = (还款金额标准差 / 月均还款金额) | 计算过去M期（如6个月）的还款金额，计算标准差，除以均值；若窗口内数据点不足，返回缺失值 | 反映还款能力稳定性，波动率越高，说明财务状况不稳定，风险越高 | 依据还款频率（月度），M选6或12，6个月反映短期波动，12个月反映长期趋势 | 需确保窗口内数据点足够（如至少6个数据点），否则特征无效 |
| 交易行为特征（如月均消费金额） | 用户月均消费金额 | 计算过去N期（如12个月）的月均消费金额 | 反映还款能力（消费水平与收入匹配），消费过高可能影响还款能力 | 同上，12个月窗口 | 需考虑消费与收入的比例，避免仅看消费金额 |
4) 【示例】：
处理历史逾期记录的伪代码（含异常处理）：
def extract_overdue_features(df, n=12):
# 过滤逾期记录
overdue_df = df[df['is_overdue'] == 1]
# 计算过去n期逾期次数
overdue_counts = overdue_df.groupby('user_id')['is_overdue'].count().reset_index()
overdue_counts.columns = ['user_id', f'overdue_count_{n}m']
# 计算平均逾期天数
overdue_days = overdue_df.groupby('user_id')['overdue_days'].mean().reset_index()
overdue_days.columns = ['user_id', f'avg_overdue_days_{n}m']
# 合并特征，数据不足时补0
features = overdue_counts.merge(overdue_days, on='user_id', how='left').fillna(0)
return features
计算月均还款金额波动率的伪代码（含异常处理）：
def calculate_repayment_volatility(df, user_id, window=6):
repayments = df[df['user_id'] == user_id]['repayment_amount'].tail(window)
if len(repayments) < window:
return None # 数据不足，返回缺失值
mean = repayments.mean()
std = repayments.std()
volatility = std / mean
return volatility
5) 【面试口播版答案】：（约90秒）
“面试官您好，构建信贷风险模型时，有效特征提取是关键。我们从用户的多源数据（征信、交易、行为）中提取特征，比如征信里的历史逾期记录，交易里的还款金额，行为里的还款波动。对于历史逾期记录，我们会统计过去12个月的逾期次数、平均逾期天数，这些直接反映用户信用历史，逾期次数越多、天数越长，违约风险越高。然后行为特征比如月均还款金额波动率，计算过去6个月还款金额的标准差除以均值，反映还款稳定性，波动率越高，说明用户财务状况可能越不稳定，风险越高。这些特征从不同维度（信用历史、还款能力、行为稳定性）共同作用，提升模型对风险的预测精度。处理时需结合业务逻辑，比如时间窗口选12个月（征信类特征），6个月（行为波动率），数据不足时用默认值，并通过统计检验（如皮尔逊相关系数）和模型性能（AUC、KS值）验证特征有效性。”
6) 【追问清单】：
- 问：如何处理特征中的缺失值？
回答要点：对于历史逾期记录，若数据缺失，根据业务规则（如最近一期无逾期则补0）；对于行为特征，若数据不足，用均值或中位数填充，或调整时间窗口。 - 问：特征选择的方法有哪些？
回答要点：常用过滤法（如方差、相关系数）、包装法（如递归特征消除）、嵌入法（如L1正则化），结合模型性能（如AUC、KS值）选择最优特征子集。 - 问：如何验证特征的有效性？
回答要点：通过特征与目标变量（违约率）的统计检验（如皮尔逊相关系数、卡方检验），或特征删除后模型性能（AUC、KS值）下降，说明特征有效。 - 问：处理历史逾期记录时，是否考虑逾期金额？
回答要点：可补充计算逾期金额的累计值，作为额外特征，反映逾期损失程度，更全面量化风险。 - 问：时间窗口选择依据是什么？
回答要点：依据业务周期（如信用卡月度还款，窗口选6个月或12个月），6个月反映短期波动，12个月反映长期趋势，需结合业务场景调整。
7) 【常见坑/雷区】：
- 忽略时间窗口的业务逻辑：比如未考虑还款频率（月度），导致时间窗口选择不合理，特征计算错误。
- 处理缺失值时未考虑业务规则：比如直接用0填充，导致特征偏差，应结合业务（如最近无逾期则补0）。
- 未验证特征与目标变量的相关性：若特征与违约率无显著相关性，即使计算复杂，也会降低模型效果，需通过统计检验。
- 特征多重共线性：比如历史逾期次数和平均逾期天数高度相关，模型中保留两者会导致参数不稳定，需通过特征选择或降维。
- 行为特征计算时未考虑窗口内数据点不足：若窗口内数据点少于指定数量，计算波动率无意义，应返回缺失值或调整窗口。