4、迁移矩阵可视化：热力图展示状态转移、桑基图展示客户流动路径、矩阵稳定性分析

迁移矩阵是贷后预警体系的核心量化工具，它记录了客户在不同预警状态（如正常、关注、次级、可疑、损失）之间的月度转移概率。单纯看数字表格难以发现趋势和异常，因此需要借助可视化手段进行深度解读。本节围绕三种核心可视化方法展开：热力图用于快速识别状态转移的集中区域，桑基图用于追踪客户个体的流动路径，矩阵稳定性分析用于评估模型在时间维度上的可靠性。

4.1 热力图：状态转移的密度与方向

热力图将迁移矩阵中的概率值映射为颜色深浅，帮助分析师一眼定位“高聚集”和“异常偏离”区域。以下是一个典型的月度迁移矩阵热力图示例，展示了从“正常”到“损失”五个状态之间的转移概率分布。

4.2 桑基图：客户流动路径与归因

热力图展示的是“概率密度”，而桑基图展示的是“客户数量”在状态之间的实际流动路径。桑基图通过不同宽度的流带，直观呈现客户从初始状态到最终状态的迁移规模，特别适合用于坏样本归因分析——即找出哪些路径导致了最多的坏账生成。

4.3 矩阵稳定性分析：时间维度的可靠性评估

单月的迁移矩阵只能反映静态截面，而矩阵稳定性分析关注的是迁移概率在连续月份之间的波动程度。如果某个转移概率（如正常→次级）在3个月内从2%跳变到8%，说明模型或客群结构发生了显著变化，需要及时归因。

常用的稳定性评估指标包括：

4.4 可视化组合策略：从发现到归因

在实际贷后监控中，三种可视化方法通常组合使用，形成完整的分析闭环：

1. 第一步：热力图扫描——快速定位本月迁移矩阵中颜色异常的格子（如劣化区突然变红）。
2. 第二步：桑基图追踪——针对异常格子对应的路径，查看实际客户流动数量，判断是普遍现象还是个别大额客户导致。
3. 第三步：稳定性验证——将异常路径的迁移概率与过去3~6个月的基线对比，确认是趋势性变化还是偶发波动。

以下是一个完整的归因分析流程示例：

# 伪代码：迁移矩阵稳定性监控与归因流程
def monitor_migration_matrix(current_matrix, history_matrices, threshold=0.3):
    alerts = []
    for state_from in states:
        for state_to in states:
            current_prob = current_matrix[state_from][state_to]
            baseline_prob = np.mean([m[state_from][state_to] for m in history_matrices])
            volatility = abs(current_prob - baseline_prob) / baseline_prob
            if volatility > threshold:
                alerts.append({
                    'path': f'{state_from}→{state_to}',
                    'current': current_prob,
                    'baseline': baseline_prob,
                    'volatility': volatility
                })
    return alerts

# 输出示例
# alerts = [
#   {'path': '正常→次级', 'current': 0.08, 'baseline': 0.03, 'volatility': 1.67},
#   {'path': '关注→可疑', 'current': 0.12, 'baseline': 0.06, 'volatility': 1.00}
# ]