1. 课程导入

在金融机构的模型风险管理体系中，模型不是一次性交付的“静态资产”，而是持续被验证、监控、迭代和治理的“动态对象”。当模型上线后，业务环境、数据分布、监管要求和客户行为都会发生变化，模型性能可能逐步衰减。此时，如何判断一个模型是否仍然可靠、是否需要替换、替换方案是否真的更优，就成为模型治理的核心问题。Champion Challenger管理正是为解决这一问题而设计的一套系统化方法。

一、核心概念：什么是Champion与Challenger

Champion（冠军模型）指当前在生产环境中正式运行、被业务和治理流程认可的模型。它承担实际决策职责，例如信用评分、反欺诈判断、风险定价或资本计量。Challenger（挑战者模型）则是与Champion并行开发或运行的候选模型，用于对比、验证和探索更优方案。Challenger不一定立即上线，它的价值在于提供“可比较的替代路径”。

Champion Challenger管理不是简单的“新旧模型对比”，而是一套包含模型开发、验证、监控、决策和切换的治理机制。其核心原理可以概括为三点：第一，并行评估，让多个模型在同一数据和时间窗口下运行，减少主观判断；第二，证据驱动，用统计指标、业务指标和稳定性指标共同决定是否切换；第三，风险可控，任何切换都必须经过验证、审批、回滚预案和持续监控。

二、学习目标与整体框架

本课程的学习目标分为四个层次。第一，理解Champion Challenger管理在模型风险管理中的定位，掌握其与模型开发、验证、监控、审计之间的关系。第二，掌握Challenger模型的构建、评估和对比方法，包括数据切分、指标设计、稳定性检验和业务影响分析。第三，能够设计Champion Challenger运行机制，包括并行运行、影子模式、灰度切换和回滚策略。第四，能够结合金融监管要求，建立可审计、可追溯、可复盘的治理文档和决策流程。

整体框架可以划分为五个环节：治理背景与制度设计、Champion识别与基线建立、Challenger开发与验证、并行运行与对比评估、切换决策与持续监控。这五个环节不是线性一次性完成，而是形成闭环。每次切换后，新的Champion仍需持续监控，并可能面对新的Challenger。

三、金融模型治理背景

金融行业对模型的依赖程度持续上升。信用评分、反洗钱、市场风险、操作风险、资本计量、保险定价和投资决策都大量使用统计模型与机器学习模型。监管机构对模型治理提出明确要求：模型必须有文档、有验证、有监控、有审计轨迹。例如，美联储SR 11-7、巴塞尔协议中的模型风险管理要求、以及国内银行保险机构的模型风险管理指引，都强调模型全生命周期管理。

在这一背景下，Champion Challenger管理的价值更加突出。它把“模型是否仍然有效”从主观讨论变成可比较、可量化、可审计的流程。没有Challenger机制，模型可能长期停留在旧版本，直到出现明显风险事件才被动替换；有了Challenger机制，机构可以主动发现性能衰减、数据漂移和业务变化，提前准备替代方案。

四、典型场景与常见误区

一个典型场景是信用评分模型。某银行现有Champion模型已运行两年，近期KS值下降、逾期率上升。数据团队开发了一个基于梯度提升树的Challenger模型，在历史数据上AUC更高。但直接切换存在风险：新模型可能在近期样本上过拟合，也可能对某些客群不公平。因此需要并行运行三个月，比较KS、AUC、PSI、逾期率、通过率和业务收益，再决定是否切换。

常见误区包括：第一，只看统计指标，忽略业务指标和公平性；第二，Challenger开发后长期不评估，导致对比失去时效；第三，切换时没有回滚预案，一旦新模型异常无法快速恢复；第四，把Challenger当成“必须上线”的项目，而不是“可选替代方案”；第五，缺少文档和审批，导致审计无法追溯。

五、本章小结与实战准备

本章建立了Champion Challenger管理的基本认知：Champion是当前生产模型，Challenger是候选替代模型；管理流程包括治理背景、基线建立、挑战者开发、并行对比、切换决策和持续监控；其目标是让模型在风险可控的前提下持续优化。后续章节将逐步展开数据准备、指标设计、并行运行、切换策略和治理文档等具体方法。