1. 课程导论：回放验证与变量衍生分箱在风控建模中的核心价值

1.1 为什么风控模型需要“回放验证”与“变量衍生分箱”？

在信贷风控、反欺诈、交易监控等场景中，模型从开发到上线面临一个根本矛盾：开发样本是历史快照，而线上数据是实时流。如果模型在开发时使用了未来信息（如“当月逾期天数”作为特征），或者变量分布随时间发生漂移，模型在线上就会失效甚至造成重大损失。

回放验证（Time‑Machine Validation / Walk‑Forward Validation）与变量衍生分箱（Feature Derivation & Binning）正是解决这一矛盾的两大核心技术：

• 回放验证：模拟模型在历史时间点上的真实表现，严格避免未来信息泄露，评估模型的时间泛化能力。
• 变量衍生分箱：从原始数据中构造高预测力的特征，并通过分箱（离散化）处理异常值、缺失值，提升变量稳定性与模型鲁棒性。

1.2 课程整体架构

本课程共分为 6 大模块、30 章，从理论到代码实践，层层递进。下表展示了模块划分与核心内容：

1.3 学习目标

完成本课程后，你将能够：

1. 独立设计回放验证流程：掌握时间序列切分、样本对齐、未来信息检测三大核心步骤，并能用 Python 实现自动化回放流水线。
2. 系统化进行变量衍生：熟练运用聚合、时间窗口、交叉、文本等衍生方法，从原始数据中构造高预测力特征。
3. 掌握分箱与WOE编码：理解等距、等频、卡方、决策树分箱的原理与适用场景，能编写自动化分箱与WOE转换代码。
4. 构建稳定可解释的模型：通过回放验证评估模型时间稳定性，通过分箱提升变量鲁棒性，最终产出符合监管要求的评分卡模型。

1.4 回放验证与变量衍生分箱的关系

两者并非孤立的技术，而是风控建模流水线中紧密耦合的两个环节。下面的 SVG 图展示了它们在建模流程中的位置与交互：

1.5 课程特色与学习建议

• 代码驱动：每章均提供可运行的 Python 代码（基于 Pandas、NumPy、Scikit‑learn、OptBinning 等库），并配有详细注释。
• 真实数据案例：使用脱敏的信贷申请数据与交易数据，贴近实际业务场景。
• 避坑指南：每章末尾的“常见陷阱”部分，总结从业者最容易犯的错误（如未来信息泄露、分箱过细导致过拟合等）。
• 学习路径：建议按顺序学习，但如果你已有基础，可以直接从模块二或模块四开始。不过，强烈建议至少阅读第 1 章和第 2 章，以建立对两大技术的统一认知。