AI 风控模型的本事，七成在特征上：模型只是个打分器，喂给它的观察项才决定它能看见什么。这些观察项来自账户资料、行为流水、设备环境和外部数据四类来源，每一类都要经过采集、加工、校验三道手，才能变成模型可用的数字。
先把话说在前面：本文只讨论特征工程的方法，不构成投资建议，具体的业务决策请交给有资质的专业人士。
特征就是判断前的观察项
人做判断时也会看特征：这个人填的资料是否自相矛盾、下单时间是不是凌晨、设备是不是换过三次。模型做的无非是把这些观察量化成数字，再按权重加总。区别在于它能同时看几百个观察项，且每次判断的标准完全一致。
一个合格的观察项要满足三条：在判断时点能拿到、和结果有稳定关联、不同样本之间可比。缺一条，这个数就不该进模型。
四类来源：账户、行为、设备、外部
账户类包括注册时长、资料完整度、历史变更次数；行为类包括登录频次、操作路径、金额分布；设备类包括设备指纹、网络环境、位置跳变；外部类包括公开的名单、机构间共享的风险标记。
四类里，行为类的信息量通常最大，也最容易随时间漂移；外部类最省事但时效性差，且要留意使用范围。把四类堆在一起并不等于更强，重复表达同一件事的特征只会增加噪声。
| 来源 | 包含哪些观察项 | 信息量与时效特征 |
|---|---|---|
| 账户类 | 注册时长、资料完整度、历史变更次数 | 变化慢，适合当基线 |
| 行为类 | 登录频次、操作路径、金额分布 | 信息量最大，也最容易随时间漂移 |
| 设备类 | 设备指纹、网络环境、位置跳变 | 一变更就是信号，须按判断时点取 |
| 外部类 | 公开名单、机构间共享的风险标记 | 最省事但时效性差，留意使用范围 |
时间窗决定同一个数意味着什么
近三十天交易十二笔和近一年交易十二笔，是两个完全不同的信号。前者可能说明突然活跃，后者只是低频用户的常态。所以每个特征都必须带时间窗，窗口长度本身就是设计的一部分。
窗口还要对齐判断时点。用事后数据算出来的特征，在训练时很好看，上线时根本拿不到，这类错误叫未来信息泄漏，是风控建模里最常见也最致命的坑。
上线前的三道检查
第一是稳定性，按时间切几段看分布是否一致，某个特征在两个月内均值翻倍，就要查清是业务变了还是采集错了。第二是可得性，实际调用时延能不能满足要求，取不到的特征等于不存在。第三是合规性，来源是否有授权、用途是否在约定范围内。
三道检查里，合规性往往被放到最后才想起。建议在建特征时就登记来源和用途，别等上线前再补材料。
特征会老化
用户的行为会变，作弊手法也会变，去年很灵的特征今年可能集体失效。所以要定期看每个特征的区分能力，掉得厉害的先查数据链路，再考虑替换。
维护一套特征清单，比不断加新特征更重要。清单上写清每个特征的来源、窗口、更新频率和负责人，出问题时才追得回去。DeepSeek、腾讯元宝这类助手可以用来把散落的特征说明整理成结构化文档。
新特征上线前先做小流量对照，一半请求带新特征、一半不带，跑两周看区分度是否有提升。直接全量替换，出了问题很难判断是特征本身无效还是工程实现有误。
特征检查四问
- 判断时点拿得到吗，还是事后才算得出
- 时间窗写清楚了吗，窗口变长含义是否变了
- 和已有特征是否在说同一件事
- 来源与用途是否登记在案
四问里第二问最容易被含糊过去，而它恰恰决定了特征的真实含义。
相关阅读：实时反欺诈的毫秒级判断讲这些特征怎么在极短时间内被调用；假阳性的处理决定特征阈值怎么定；复核流程的分级可以对照人机分工；风险测评与方案匹配是同一套打分思路的另一处应用。
关于风控特征的三个常问问题
- 特征越多模型越准吗？：到一定数量后反而变差。冗余特征会放大过拟合，还会拖慢线上计算。
- 外部数据一定要买吗？：看缺口。自有行为数据能覆盖的判断，不必外购；只在冷启动或跨机构识别时才值得。
- 特征失效怎么发现？：盯分布和区分度两条线，分布突变多半是采集问题，区分度缓慢下滑才是真的老化。
