1. 课程导论：信用评分模型在金融风控中的核心地位
1.1 信用评分模型：金融风控的“数字守门人”
在信贷业务的全生命周期中，信用评分模型是决定“贷给谁、贷多少、以什么利率贷”的核心决策引擎。它通过统计与机器学习方法，将申请人的历史行为、还款能力、负债水平等特征转化为一个可量化的分数，从而预测其未来违约概率（PD）。
一个成熟的信用评分体系通常覆盖以下三大场景：
- 申请评分（A卡）：在贷前环节，评估新客户的信用风险，决定是否准入及初始额度。
- 行为评分（B卡）：在贷中环节，基于存量客户的使用与还款行为，动态调整额度或进行预警。
- 催收评分（C卡）：在贷后环节，预测逾期客户的还款意愿与能力，优化催收策略。
核心观点： 信用评分模型不仅是风险控制的工具，更是金融机构实现“风险-收益平衡”的量化基石。模型效果的好坏，直接决定了坏账率与业务规模的上限。
1.2 为什么需要对比模型效果？
在实际业务中，风控团队很少只维护一个模型。随着数据源增加、算法迭代、监管要求变化，同一个评分任务往往会产生多个候选模型。此时，模型效果对比成为必须完成的关键步骤，原因如下：
| 对比维度 | 具体原因 | 业务影响 |
|---|---|---|
| 区分度 | 不同模型对“好客户”与“坏客户”的排序能力不同 | 直接影响通过率与坏账率的平衡 |
| 稳定性 | 模型在时间维度上的表现是否衰减（PSI指标） | 决定模型是否需要重新训练或切换 |
| 公平性 | 模型是否对特定群体存在统计偏差 | 合规风险与品牌声誉 |
| 可解释性 | 复杂模型（如GBDT、神经网络）是否可被业务理解 | 影响监管审计与业务信任 |
| 计算成本 | 模型推理速度与资源消耗 | 实时审批场景的延迟与运维成本 |
实践提示： 不要只看单一指标（如KS或AUC）。一个在测试集上KS=0.45的模型，如果PSI超过0.2，上线后可能很快失效。效果对比必须是“多维度、跨时间”的综合评估。
1.3 Champion实验方法的定义与价值
Champion实验方法（又称冠军/挑战者实验）是金融风控领域最经典的模型上线与迭代策略。其核心思想是：在生产环境中同时运行当前最优模型（Champion）与一个或多个候选模型（Challenger），通过真实流量对比，验证新模型是否在统计显著性和业务指标上优于现有模型。
1.3.1 方法定义
- Champion（冠军模型）：当前生产环境中正在使用的、经过验证的最优模型。
- Challenger（挑战者模型）：新开发的、理论上效果更好的候选模型。
- 实验机制：将流量按比例（如90% Champion : 10% Challenger）分流，在真实业务场景中收集两个模型的决策结果与后续表现。
1.3.2 Champion实验的核心价值
| 价值维度 | 说明 |
|---|---|
| 降低上线风险 | 在小流量上验证新模型，避免全量切换导致的未知风险 |
| 真实效果验证 | 离线指标（如AUC）无法完全模拟真实业务环境，在线实验提供最可靠的证据 |
| 持续迭代机制 | 建立“挑战-验证-切换”的闭环，推动模型持续优化 |
| 多模型并行 | 支持同时测试多个挑战者，快速筛选最优方案 |
| 业务可解释 | 通过实际业务指标（如坏账率、通过率）向管理层展示模型价值 |
注意事项： Champion实验需要足够长的观察窗口（通常至少1-2个账期），且必须保证实验组与对照组在流量分配上的随机性。如果样本量不足或时间窗口过短，统计结论可能不可靠。