海外复贷模型第二课：用户级看长期，订单级看当下

《海外现金贷复贷风控实战》Week 7 复盘：特征工程与双层评分，如何真正回到策略动作

上周我们讲了一个基础判断：

老客建模，绝不是把新客模型再跑一遍。

这周 Justin 继续往下拆。

如果老客模型不是新客模型的简单重跑，那么它究竟应该看什么？

答案不是“再加一些字段”，而是先把客户的长期状态和当前申请拆开：

用户级评分看长期，订单级评分看当下。

这句话听起来简单，但真正落到特征工程时，至少要回答四个问题：字段从哪里来、在什么时间点可见、服务哪个评分对象、最后要改变哪个策略动作。

这也是我听完 Week 7 之后最想留下的一句话：

特征工程不是把字段做多，而是把业务经验翻译成一套在正确时点可用、线上线下一致、最后能够驱动策略的数字语言。

本文根据《海外现金贷复贷风控实战》Week 7 直播内容整理。文中方法用于说明海外现金贷复贷模型的通用思路，不对应任何单一平台的真实数据。不同国家、产品期限、数据供应和监管要求下，需要重新校准字段、标签、时间窗口与表现口径。

一、模型做不好，很多时候不是算法问题

做模型时，团队很容易先讨论算法：逻辑回归够不够？要不要上 XGBoost？是否需要序列模型？

但如果特征的业务含义没有讲清楚，算法只会把问题包装得更复杂。

Justin 在直播里先从业务数据讲起。对于海外现金贷复贷，最基础的贷中特征通常来自三张表：

• 订单表：客户什么时候申请、申请金额是多少、选择了什么产品和期限；
• 账单表：本笔订单对应哪些应还款项、什么时候到期、账单处于什么状态；
• 还款流水表：客户什么时候还了多少、是否提前结清、是否逾期或展期。

在此基础上，才会进一步接入设备、银行卡、联系人、短信、App 列表和业务埋点等信息。

这里最容易被忽略的，不是数据够不够多，而是每个字段到底代表什么。

以金额为例，合同金额和到手金额不是同一个口径。

假设一笔产品合同金额是 100，客户实际到手只有 60，那么客户真正承接的资金、后续的还款压力和对价格的敏感度，都不能只用合同金额来解释。对于前置费率较高的产品，这个差异会直接影响特征含义。

产品期限也一样。海外常见的 7 天、14 天和 30 天单期产品，客户的使用天数、复借间隔、还款压力和“短借短还”判断不能直接共用一个未经校准的阈值。

字段不是拿来填表的。字段背后对应的是一个客户状态、一段行为过程，或者一个需要被策略识别的变化。

二、同一个字段，为什么可以有两种身份

Week 7 最核心的内容，不是某个具体变量，而是特征的“身份”问题。

同一个字段，经过不同的观察窗口和聚合方式，可以服务于不同的评分对象。

比如历史最大逾期天数：

• 如果统计客户截至当前时点的历史最大逾期，反映的是客户长期风险底线，更适合进入用户级评分；
• 如果只观察距离本次申请最近一笔订单的逾期表现，反映的是客户当前状态，更适合进入订单级评分。

字段本身没有天然的用户级或订单级属性。

决定它身份的，是三个东西：

1. 统计的是全量历史，还是近期窗口；
2. 观察对象是客户整体，还是某一笔订单；
3. 最终要解释长期稳定性，还是当前申请风险。

这也是为什么“把所有变量拼在一起”并不一定能得到更好的复贷模型。不同特征回答的问题不同，混在一起之后，模型分数可能变得更难解释，策略也更难落地。

三、用户级评分：看客户长期会不会变坏

用户级评分更像一张长期风险画像。

它关注的不是客户某一次申请是否正常，而是客户在较长周期内是否稳定，是否值得继续经营。

可以重点观察：

• 历史还清次数和逾期趋势；
• 历史复借间隔和行为波动；
• 多头借贷的水平及变化；
• 提前结清是否高度规律；
• 历史额度使用和调额后的表现；
• 客户当前处于哪个复贷阶段。

这里有一个很重要的时间原则：用户级特征也必须以当前评分时点为截止。客户后来发生了什么，不能被提前放进本次评分。

另外，老客也不一定要全量共用一套模型。

还清 1 次、3 次、5 次和 10 次的客户，往往处在不同的行为阶段。低轮次客户仍在验证期，高轮次客户可能已经进入相对稳定期。样本量允许时，可以按借贷轮次、渠道、产品期限或客群状态切片建模；样本量不足时，也至少应该分层评估，确认风险排序在不同客群上是否稳定。

但这里不能先承诺“分层一定更好”。AUC、KS、坏账率和利润是否改善，最终仍然需要用实际样本验证。

四、订单级评分：看这一次申请是否偏离了历史

订单级评分回答的是另一个问题：

这一单现在是否适合按照当前的额度、定价和期限处理？

它不只是读取本次申请金额，还要观察本次申请与客户过去行为之间的差异：

• 本次申请金额与上一笔的差异；
• 本次申请距离上一笔还款的时间间隔；
• 当前在贷和近期多头变化；
• 设备、银行卡或账户关系是否发生变化；
• 本次申请是否明显偏离过去的行为轨迹。

例如，一个客户过去一直小额、稳定复借，本次突然申请更高金额，同时设备发生变化、近期多头上升。这些信号组合起来，可能比任何一个单独字段更值得关注。

同样，客户刚完成还款就再次申请，也不能直接等同于风险。它可能是正常的资金周转，也可能是额度不足、多头腾挪或套利行为，需要放到客户长期状态和其他当前信号中判断。

所以，用户级评分和订单级评分不是互相替代，而是分别提供长期背景和当前快照。

五、模型应该怎样进入复贷决策链路

把用户级和订单级模型拆开之后，复贷申请可以沿着这样一条链路处理：

申请进入
→ 基础资格与硬规则
→ 反欺诈与准入拦截
→ 用户级风险评分
→ 订单级申请评分
→ 准入、额度、定价、期限策略

硬规则可以根据时效要求前置处理，例如明确的一票否决、黑名单或高危欺诈信号，不必等复杂模型全部跑完再决定。

模型分数则提供更细的风险排序和客群分层，最后仍然要由策略把它翻译成动作。

一个简单的交叉思路是：

这不是一套可以直接复制的固定规则，而是帮助团队理解“双层评分为什么存在”：长期稳定的客户，本次可能需要收紧；长期一般的客户，本次如果风险较低，也未必需要一刀切。

模型分数不是最终结论，策略动作才是。

六、变化往往比一个绝对值更有信息量

复贷客户已经有历史，所以变化本身很重要：

• 近 7 天申请次数上升，但提款没有同步增加；
• 还款后复借间隔明显缩短；
• 本次申请金额相对上一笔突然增加；
• 设备或银行卡第一次发生变化；
• 过去一直稳定的客户，近期多头突然上升；
• 提前结清的使用天数变得越来越规律。

这些信号并不自动等于欺诈或坏客户，但它们说明客户状态可能发生了变化。

Justin 在直播中把贷中特征大致分成三类：

申请类

关注本次申请与历史申请的变化，包括申请金额、复借间隔、连续申请、连续拒绝，以及不同时间窗口内的申请和放款变化。

还款类

关注客户是否正常还款、是否提前结清、实际使用天数如何变化、还款后是否迅速复借，以及未来一段时间内的还款压力。

反欺诈与异常行为类

关注设备、银行卡、联系人、共设备、共银行卡和短期反复借还等关系异常。

这里仍然要强调：7 天、14 天和 30 天产品的基线不同，特征阈值必须结合产品期限重新校准。统一使用一个字段名，不代表它在不同市场和产品里有完全相同的业务含义。

七、特征工程最容易被低估的部分：时间和一致性

“近 X 天申请次数”这句话本身还不够完整。

至少要说明：

• 统计截止时间是什么时候；
• 是否包含当前正在申请的这一笔；
• 统计的是申请次数、放款次数，还是成功提款次数；
• 订单处于审核中、放款中或人工审核时，算不算在贷；
• 时间按自然日，还是按小时、分钟甚至毫秒计算。

一个客户同时提交多笔申请，而这些订单处于风控审核、放款审核和人工审核等中间状态时，如果“在贷”只看最终放款状态，可能低估当下风险敞口；如果把所有申请都直接算成在贷，又可能把尚未形成债务的申请重复计算。

除此之外，线下 Python 和线上 MySQL 或 Java 的时间处理、四舍五入、小数位和空值处理，也可能产生差异。

如果线下把空值保留为空，线上却填成 0 或 -999；如果线下保留更多小数位，线上统一四舍五入，那么最终进入模型的就已经不是同一个特征。

因此，特征上线前需要有一致性验收：

• 同一观察点的特征值是否一致；
• 缺失率和控制率是否合理；
• 空值、零值和极端值的含义是否明确；
• 时间窗口和订单状态是否覆盖边界情况；
• 特征是否经过线上空跑和一致性报告验证。

这一步看起来不像建模，却决定模型上线后能不能稳定工作。

我越来越觉得，特征工程的后半段其实更接近生产工程：不仅要能算出来，还要能解释、能复现、能上线、能监控。

八、算法选择要服从业务现实

在特征口径没有稳定之前，直接追求复杂算法，通常没有太大意义。

Justin 的建议很工程化：传统聚合特征加 XGBoost，可以作为大多数复贷场景的基础方案。它相对容易解释、容易部署，也更适合先把业务链路跑通。

如果行为序列足够完整，且团队有稳定的样本、训练和部署能力，再考虑用 LSTM 等序列模型捕捉行为顺序、风险趋势和行为突变。

但序列模型并不是因为“更复杂”就天然更好。它同样要面对时间切分、序列长度、沉默期、缺失值、过拟合和线上线下一致性问题。

我的判断是：

模型选型是工程决策，不是算法竞赛。先用稳定方案把评分对象、特征口径和策略动作跑通，再评估复杂模型是否真正带来增益。

九、评估模型，不能只看 AUC 和 KS

AUC、KS 和 Lift 是模型评估的重要指标，但它们只是起点。

还需要继续看：

• 分数分桶后的风险是否有合理的单调性；
• 不同时间周期的 PSI 是否稳定；
• 不同渠道、轮次和产品期限上的表现是否一致；
• 通过率、提款率和风险敞口发生了什么变化；
• 金额坏账率和笔数坏账率是否出现分化；
• 最终净利润和风险调整后收益是否改善。

高 AUC 不等于高业务价值。

如果模型只是把客户排序得更漂亮，却没有改善准入、额度、定价、期限或经营结果，那么它还没有完成自己的工作。

SHAP 等解释工具也不是用来“证明模型一定正确”的，而是帮助团队发现盲区：例如提前结清被模型当成纯正向信号时，是否忽略了过度借贷；当前申请金额权重过高时，是否存在策略和模型互相放大的问题。

路飞小结：Week 7 我最想留下的八句话

1. 复贷建模先分评分对象，再谈算法。
2. 用户级看长期，订单级看当下，账户信息补充关系与稳定性。
3. 订单、账单和还款流水，是贷中特征最基础的业务来源。
4. 合同金额、到手金额、费率和实际使用天数不能混成一个指标。
5. “近 30 天”必须写清楚观察点、截止点和统计对象。
6. 变化和偏离历史轨迹，往往比一个静态绝对值更有信息量。
7. AUC 和 KS 不是终点，模型最终要落到准入、额度、定价和期限动作。
8. 线下能够计算，不代表线上能够一致地计算。

写在 Week 8 之前

Week 6 解决的是评分对象、样本和标签，Week 7 进一步把业务数据加工成可用特征。

下一讲会继续进入老客模型的训练、评分输出和部署监控，并把反欺诈、信用和额度模型放回复贷策略的完整链路里。

这几周我越来越确认，复贷模型不是从算法开始，也不会停在一个分数上。

它真正要完成的是：

业务数据
→ 特征口径
→ 用户级与订单级评分
→ 策略分层
→ 额度、定价、期限与经营动作
→ 风险、收益和客群结构复盘

如果其中任何一环没有定义清楚，模型看起来可能很复杂，但业务仍然不知道下一步应该做什么。

如果对上述课程感兴趣，可以直接咨询。

系列导航

这是《海外现金贷复贷风控实战直播营》系列的阶段性复盘文章，前文还包括：

1. 《我为什么要做一门海外现金贷复贷风控实战课》
2. 《你的复贷率，可能正在说谎》
3. 《同样是海外现金贷老客，为什么有人值得经营，有人正在拖垮复贷坏账？》
4. 《复贷不是给老客开绿灯：一个客户再次申请时，先看什么？》
5. 《海外复贷调额策略：固定调额、上探调额、倒逼调额，究竟该在什么时候用？》
6. 《墨西哥现金贷的高息困局，究竟该如何破局？》
7. 《调额度、定价格之后，复贷策略到底有没有变好？》
8. 《海外复贷模型第一课：老客建模，绝不是把新客模型再跑一遍》

数据与来源说明

本文基于 2026-09-20 海外现金贷复贷系列 Week 7 直播《特征工程与双层评分模型》课堂内容复盘，参考课程演示文稿（36 页）、课堂转写文本及课程配套《贷中特征矩阵 V1》。文中模型选择矩阵、决策矩阵、特征域与优先级均来自课堂材料；课堂未给出的具体业务效果数字，本文不做推断。

AI 协助说明

本文由路飞整理课堂内容成稿，AI 协助完成文字整理、排版与配图。课程事实以课堂材料为准，文中判断与补充为路飞个人观点。

#海外风控 #风控策略 #风控模型 #金融科技 #出海金融 #海外现金贷 #复贷模型 #双层评分