1. 课程导论：额度定价业务背景、LightGBM在金融风控中的优势、课程目标与学习路径
1.1 额度定价的业务背景
在消费金融、信用卡、小微贷款等业务中，额度定价是风控与收益平衡的核心环节。传统做法依赖专家规则或线性评分卡，难以捕捉高维非线性特征，且对缺失值、异常值敏感。随着业务数据量激增，机器学习模型逐渐成为额度定价的主流方案。
核心挑战：如何在控制坏账率的前提下，为不同风险等级的客户匹配最优授信额度与利率，实现风险调整后收益（RAROC）最大化。
1.2 额度定价的关键流程
| 阶段 | 输入 | 输出 | 常用方法 |
|---|---|---|---|
| 数据准备 | 原始信贷、行为、外部征信数据 | 清洗后的宽表 | 缺失值填充、异常值截尾、WOE编码 |
| 特征工程 | 宽表 | 衍生特征、分箱、交叉特征 | 统计聚合、时序特征、GBDT特征编码 |
| 模型训练 | 训练集（含标签） | LightGBM模型 | 梯度提升、早停、交叉验证 |
| 额度映射 | 模型预测概率/分数 | 授信额度与利率 | 分段映射、弹性定价、策略矩阵 |
| 监控迭代 | 线上表现数据 | 模型更新、策略调优 | PSI、KS、AUC、坏账率追踪 |
1.3 LightGBM在金融风控中的优势
LightGBM（Light Gradient Boosting Machine）是微软开源的梯度提升框架，在金融风控场景中具备以下显著优势：
- 训练速度快：基于直方图算法，内存占用低，适合大规模信贷数据。
- 原生支持类别特征：无需手动One-Hot编码，减少特征工程工作量。
- 缺失值自动处理：在分裂时自动学习缺失值的最佳方向，避免人工填充偏差。
- Leaf-wise生长策略：相比Level-wise，收敛更快，精度更高（需控制过拟合）。
- 内置正则化：L1/L2正则、叶子节点数限制、学习率衰减，降低过拟合风险。
- 特征重要性可解释：提供Split/Gain/Shapley多种重要性指标，满足监管要求。
实践建议：在额度定价场景中，LightGBM通常比XGBoost训练快3-5倍，且对高基数类别特征（如地区、行业）处理更友好。
1.4 课程目标与学习路径
本课程旨在帮助学员掌握使用LightGBM进行额度定价模型训练的全流程，重点解决训练集切分与模型训练中的关键问题。
| 模块 | 核心内容 | 产出物 |
|---|---|---|
| 数据切分 | 时间序列切分、分层抽样、避免数据泄露 | 训练/验证/测试集 |
| 参数调优 | 学习率、树深度、叶子节点数、正则化 | 最优参数组合 |
| 模型训练 | 早停、交叉验证、特征选择 | 训练好的LightGBM模型 |
| 评估与解释 | KS、AUC、Lift、SHAP值 | 模型评估报告 |
| 额度映射 | 分数到额度的映射策略 | 额度定价策略表 |
学习路径建议：先掌握数据切分原则，再进入参数调优与模型训练，最后结合业务逻辑完成额度映射。每章均配有可运行的代码示例与数据集。
1.5 额度定价模型训练流程概览
下图展示了从原始数据到额度定价策略的完整流程，本课程聚焦于训练集切分与模型训练两个核心环节。
注意：训练集切分是额度定价模型中最容易被忽视但影响最大的环节。错误的切分方式（如随机切分忽略时间顺序）会导致模型在线上表现严重退化，造成授信策略失效。
1.6 课程适用人群
- 金融风控建模工程师、数据分析师
- 信贷产品经理、策略分析师
- 机器学习算法工程师（希望了解风控场景）
- 金融科技领域的研究人员与学生
建议学员具备基础的Python编程能力，了解机器学习基本概念（如过拟合、交叉验证）。本课程将提供完整的代码仓库与数据集，方便学员动手实践。