1. 课程导论：什么是额度模型、为什么需要训练集切分、课程目标与学习路径

1.1 什么是额度模型

额度模型（Credit Line Model）是金融风控领域中的一种预测模型，用于为授信申请人或存量客户确定一个最优的信用额度。它不同于传统的申请评分卡（A卡）或行为评分卡（B卡），额度模型的核心输出是一个连续数值（建议额度），而非违约概率。

额度模型在金融业务中通常承担以下角色：

1.2 为什么需要训练集切分

在额度模型开发过程中，训练集切分（Train/Validation/Test Split）是构建可靠模型的基础步骤。额度模型对时间稳定性和样本代表性的要求远高于普通分类模型，原因如下：

• 时间偏移风险：额度模型依赖的历史行为数据会随时间衰减，训练集与测试集必须反映不同的时间窗口，才能评估模型的泛化能力。
• 样本选择偏差：存量客户的额度数据本身是“已被策略干预”的结果，直接使用全量数据训练会导致模型学习到策略规则而非真实风险。
• 过拟合与欠拟合：额度模型通常包含连续目标变量（如建议额度），对数据分布敏感，切分不当会导致模型在验证集上表现虚高，上线后大幅衰减。
• 业务验证需求：金融监管要求模型在投产前必须经过独立的样本外测试，训练集切分是满足合规审计的必要条件。

1.3 课程目标

通过本课程的学习，你将掌握以下核心能力：

1.4 学习路径

本课程采用“理论 → 方法 → 代码 → 实战”的递进式结构，建议按以下路径学习：

1. 基础篇（第1-3章）：建立额度模型和训练集切分的认知框架，理解为什么需要切分。
2. 数据篇（第4-6章）：学习额度数据的特征工程、标签构造和时间窗口设计。
3. 方法篇（第7-10章）：掌握四种核心切分策略的适用场景和实现步骤。
4. 代码篇（第11-15章）：通过Python代码实现完整的切分流水线，包含代码模板。
5. 评估篇（第16-18章）：学习如何用统计指标验证切分质量，避免常见陷阱。
6. 实战篇（第19-25章）：完成两个完整的额度模型切分项目（信用卡 + 消费贷）。
7. 进阶篇（第26-30章）：处理数据泄露、样本偏差、时间穿越等高级问题。

1.5 学习准备

在开始本课程之前，建议你具备以下基础：

• Python基础：熟悉Pandas、NumPy、Scikit-learn的基本操作
• 机器学习基础：了解过拟合、欠拟合、交叉验证等基本概念
• 金融风控基础：了解评分卡、违约概率、授信策略等基本术语