1. 课程导论：为什么信用额度模型需要特殊的训练集切分？常见的切分陷阱与课程目标

1.1 信用额度模型的特殊性

信用额度模型（Credit Line Assignment Model）与传统的违约预测模型（如评分卡）在建模目标上存在本质差异。额度模型的核心任务是估计最优授信额度，而非仅预测违约概率。这一差异直接决定了训练集切分方式必须做出调整。

1.2 常见的三大切分陷阱

根据实际项目经验，额度模型训练集切分存在三个高频陷阱，每个陷阱都会导致模型效果严重退化。

1. 陷阱一：随机切分忽略时间序列结构
   额度策略（如审批通过率、初始额度倍数）随时间变化。随机切分会将早期样本混入验证集，导致模型学到过时的策略模式，在近期样本上表现骤降。
2. 陷阱二：未处理授信选择偏差
   历史数据中只有被授信的客户才有额度使用记录。直接使用这些样本训练，模型会学习到“被授信人群”的特征分布，对未授信人群的额度预测完全失效。
3. 陷阱三：目标变量泄露
   额度模型常用“额度利用率”或“滚动率”作为目标。如果切分时未按时间隔离，未来信息（如客户后续的额度调整）会泄露到训练集中，造成过拟合。

1.3 课程目标与学习路径

本课程旨在帮助风控建模人员系统掌握信用额度模型的训练集切分方法论，避免上述陷阱。课程结束后，你将能够：

• 理解额度模型特有的数据偏倚来源（策略漂移、选择偏差、目标泄露）。
• 掌握至少 3 种时间序列切分策略（时间窗口切分、事件锚定切分、策略分段切分）。
• 独立实现拒绝推断与额度表现插补流程。
• 构建无泄露的验证集，并正确评估模型泛化能力。

1.4 额度模型训练集切分全景图

下图展示了信用额度模型训练集切分的完整流程与关键节点，帮助建立全局视角。

1.5 课程内容速览

本课程共 30 章，按知识递进关系分为五个模块：