风控算法（4）特征工程-时序数据与特征工程

特征工程-时序数据与特征工程

信贷时序数据与特征工程介绍 - 求是汪在路上的文章 - 知乎 https://zhuanlan.zhihu.com/p/397614923

引言

无论是模型还是策略，其遵循的方法论都是“发现问题->确定目标->分析原因->寻找抓手->上线应对”这样一个闭环。对于模型岗而言， 其核心KPI是提供具有良好排序能力的模型。而特征工程是提高模型区分度的最有效途径，决定了模型拟合的上限。

信贷业务流程中积累了很多时间序列数据。因此，本文将介绍如何利用时序数据来构建常见的特征。同时，为兼顾实践性，本文附上了一些特征的SQL实现逻辑，供参考。

一、信贷时序行为数据

信贷业务经营中会积累很多时间序列数据。例如，客户的APP登录行为埋点数据、借款申请行为记录数据、还款行为数据、调额记录数据等。根据是否在平台内部沉淀，这些数据又可分为内部和外部数据。

1.1 内部数据

以借款、还款行为数据为例，需要明确几个最细的时间粒度，包括：

• 借款时点（draw_date）：客户借款申请时点。
• 应还时点（due_date）：约定还款时间，固定不变。
• 实还时点（settle_date）：客户实际还款时间，若早于应还日，称提前还款；若晚于应还时点，则成为逾期（overdue）；若在应还日当天还款，则为正常还款。

独立来看，每个时点的数据都具有不同的信息。对于借据而已，具有以下属性：

img

因此，从借款订单数据入手，其可反映客户的额度使用率、借款金额变化、借款时间集中度等信息。

如图2所示，当把这些时点线索交叉在一起，就会衍生出大量信息。例如：

• 结合应还时点和实还时点，可刻画客户历史上的还款行为，包括逾期、提前还款、正常还款。——由此可构建“过去一段时间内，逾期/提前还款/正常还款次数”这类特征。
• 结合应还时点和借款时点，如果客户在某个应还时点前多次发起借款申请，那么很可能是在“借新还旧”。——由此可构建“过去一段时间内，应还日前借款次数”这类特征。
• 结合逾期时点和借款时点，如果客户当前处于逾期状态，则新申请借款则可直接拒绝，或者提前管制客户。

img

1.2 外部数据

客户不仅会在本平台内借款，当无法满足其借款需求时，其也会在其他平台借款，由此形成了多头借款行为数据。这是一块非常宝贵的数据。

在《求是汪在路上：多头借贷风险分析与建模》一文中，我们介绍过多头数据的相关知识。整合目前市场上数据商提供的多头数据，我们可分解为以下结构：

在本文中，先构造一些假数据用以后续衍生特征。可通过以下SQL语句建表，并插入数据。

二、行为特征衍生思路

如果拥有这样的数据，你会如何构建特征？通常做法是取最近一段时间窗口（比如最近12个月），在这段时间内，我们可以从以下维度来统计出可累加的指标：

• 指标维度：金额、次数、笔数、天数、机构数、人数
• 时间粒度：日、周、月
• 聚合函数：计数（count），求和（sum）

为什么要是可累加的呢？这是因为我们可以再次聚合，并且后续计算比例类特征时方便。由此，可得到如图5所示的时序数据：

在《求是汪在路上：风控特征—时间滑窗统计特征体系》中，介绍过RFM特征体系的概念。

• R（Recency）：客户最近一次交易消费时间的间隔。R值越大，表示客户交易发生的日期越久，反之则表示客户交易发生的日期越近。
• F（Frequency）：客户在最近一段时间内交易消费的次数。F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。
• M（Monetary）：客户在最近一段时间内交易消费的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。

在RFM特征体系的基础上，我们进一步扩展维度。至少能从图5中捕捉到以下信息：

1）常规统计特征

把客户行为按最小时间粒度统计完毕后，我们就会得到一个分布。接下来则是利用统计函数最大值（MAX）、最小值（MIN）、平均值（AVG）、标准差（STD）来描述以上分布特征。

但是，这些指标在统计时只能对给定的数据集合计算，没有考虑到时间序列变化信息。换言之，什么时间段在持续上升，什么时间段在持续下降，什么时间段断档形成空窗期，这些信息都被掩盖了。

2）时间距离特征

用以刻画客户最远一次、最近一次或者某个特殊事件发生的时点。例如：

• 最近一次申请日距离观察点的日期差（天数）
• 最近一次取到最大值、最小值的事件时点距离观察点的日期差（天数）
• 最近一次逾期距离观察点的日期差（天数）

3）行为波动特征

用以刻画客户某段连续时间内的行为变化特征。例如：

• 最长持续上升（或下降）的时间跨度（天数）。
• 最长睡眠期（天数）。即，客户多久没有活跃了？
• 连续行为窗口出现次数。

在信贷风控中，变化趋势是衡量风险非常重要的维度。我们喜欢稳定，但是风险天生具有易变性，当有变化的趋势就意味着风险，也意味着机遇。例如，当客户近期在行业内借款申请次数在上升时，我们就可以判断客户资金紧张，故而在到处借钱。那么，我们需要思考：

1. 业务侧：客户是否因为我们的额度不够，无法满足其资金需求而跑到其他平台借款？出于余额增长的目标，我们能不能给客户提额呢？
2. 风险侧：该客户的还款能力是否出现问题？我们给他放开额度后，我们能否承受风险？那么我们就需要给客户打一下风险分，判断客户风险。

为捕捉客户行为变化趋势，我们可以用一种简单的方法：最近N个月次数 / 最近M个月次数（N < M）。例如，多头变量中，该值越高，说明借款申请记录更为集中在近期。一般来说，近期行为对于识别短期欺诈风险更有用，远期行为对于识别长期信用风险更有用。

4）集中度特征

用以刻画客户行为的偏好程度。如果说时间维度是纵向视角，那么集中度特征则是横截面视角。通常以比例特征形式出现。例如：

• 一天内集中于哪个时间段活动？
• 借款机构中集中于哪些机构？
• 借款金额倾向于什么数目（例如1K以内，1K-5K，5K以上）？
• 购买的商品内集中于买什么品类？

四、其他算法实现思路

前面都是从业务领域知识先入手，分析潜在有用的变量逻辑，再去实现。这是平时大部分模型师所做的事情。但目前也有一些尝试用LSTM、RNN来处理时序数据的技术方案。这是后续可尝试探索和对比的方向。

img