1. 课程导入

欢迎进入《金融AI与模型工程》的第一章。在正式进入算法、模型与系统实现之前，我们需要先建立一张“全局地图”：这门课究竟研究什么、它从哪里来、为什么在金融行业如此关键，以及我们将以怎样的知识结构逐步深入。本章不追求技术细节，而是帮助你在头脑中搭建一个稳定的认知框架，使后续每一章都能被准确“挂载”到这张地图上。

一、什么是金融AI与模型工程

金融AI指将人工智能方法应用于金融业务场景，包括风险管理、信用评估、量化投资、反欺诈、智能投顾、合规审查与客户服务等。它关注的是“用智能方法解决金融问题”。而模型工程则关注“如何让模型在真实生产环境中稳定、可靠、可解释、可治理地运行”，涵盖数据管道、特征工程、训练、评估、部署、监控、版本管理与合规审计等环节。

二者结合，形成本课程的核心对象：以金融业务目标为导向，以工程化方法为保障，把AI模型从实验原型转化为可长期运行的生产系统。可以用一句话概括：金融AI决定“做什么”，模型工程决定“如何可靠地做成”。

二、发展历程：从统计模型到金融大模型

金融领域对模型的依赖并非始于深度学习。早期以逻辑回归、评分卡、时间序列为主，强调可解释性与稳定性；随后机器学习方法（随机森林、梯度提升树）在风控与营销中大规模落地；深度学习进一步提升了非结构化数据处理能力，如文本、图像与语音；近年来，大语言模型与智能体开始进入投研、客服、合规与运营场景。

这条演进线索说明：金融AI的竞争，越来越不是单一算法的竞争，而是数据、工程、治理与业务理解的综合竞争。

三、核心价值与典型场景

金融AI的核心价值可归纳为四点：提效、降险、增收、合规。提效体现在自动化处理与智能辅助；降险体现在更早识别欺诈与信用风险；增收体现在精准营销与量化策略；合规体现在可追溯、可解释与可审计。

• 风险管理：实时反欺诈、信用评分、贷后预警。
• 投资研究：舆情分析、因子挖掘、组合优化。
• 客户运营：智能投顾、个性化推荐、智能客服。
• 合规审计：交易监测、文本审查、模型风险管理。

四、学习目标与整体知识框架

完成本课程后，你应能够：理解金融AI与模型工程的基本概念与边界；掌握从问题定义到模型部署的完整流程；能够设计并评估金融场景下的模型方案；理解模型治理、可解释性与合规要求；并具备将原型转化为生产系统的基本工程能力。

整体知识框架分为五层：业务层、数据层、模型层、工程层、治理层。业务层定义目标与约束；数据层负责采集、清洗与特征；模型层涵盖算法选择与训练评估；工程层负责部署、监控与迭代；治理层保障合规、可解释与可审计。五层相互支撑，缺一不可。

五、方法流程：从业务问题到生产模型

一个完整的金融AI项目通常遵循以下流程：业务问题定义 → 数据准备与合规审查 → 特征工程 → 模型训练与评估 → 部署上线 → 监控与迭代。每一步都需要工程化记录，确保可复现与可审计。

# 典型项目流程示意
1. 定义业务指标：如欺诈召回率、坏账率、响应率
2. 数据合规审查：授权、脱敏、最小必要原则
3. 特征工程：构造、筛选、稳定性检验
4. 模型训练：交叉验证、超参搜索
5. 评估：AUC、KS、PSI、可解释性报告
6. 部署：API服务、批处理、实时流
7. 监控：数据漂移、模型衰减、告警
8. 迭代：重训、版本切换、回滚预案

六、常见误区与复盘