4、Champion模型定义：当前生产环境中的最优模型

Champion模型是当前信用评分生产环境中表现最优、经过充分验证并承担实时决策任务的模型实体。它不仅是机器学习算法的产物，更是模型性能基准、决策阈值与业务规则集成的综合载体。本章将系统定义Champion模型的构成要素与评估标准。

4.1 Champion模型的核心定位

在信用评分领域，Champion模型承担以下角色：

• 生产基准：作为所有挑战者模型比较的参照系，任何新模型必须在此基准上证明其优越性。
• 决策执行者：直接参与信贷审批、额度授予、定价策略等核心业务流程。
• 风险锚点：维持业务连续性与风险偏好的一致性，避免模型频繁切换带来的不确定性。

4.2 模型性能基准：KS / AUC / Gini

Champion模型的性能评估采用三大核心指标，分别从区分能力、排序准确性和一致性三个维度进行度量。

Champion模型的性能基准需在以下条件下确认：

• 时间外验证：使用至少12个月的跨时间样本（OOT样本）进行验证。
• 群体外验证：使用与训练集分布不同的客群样本进行压力测试。
• 稳定性检验：计算群体稳定性指标（PSI），要求PSI < 0.10。

4.3 决策阈值设定

决策阈值是将模型输出的概率分数转化为业务决策（通过/拒绝/人工审核）的关键环节。Champion模型的阈值设定需综合考虑风险偏好、业务目标与监管要求。

4.3.1 阈值设定方法

4.3.2 多阈值决策框架

实际生产中，Champion模型通常采用多阈值分段决策，而非单一阈值：

# 多阈值决策逻辑示例（伪代码）
def decision_making(score, thresholds):
    """
    thresholds = {
        'auto_approve': 720,   # 自动通过阈值
        'manual_review': 620,  # 人工审核阈值
        'auto_reject': 580     # 自动拒绝阈值
    }
    """
    if score >= thresholds['auto_approve']:
        return 'APPROVE'
    elif score >= thresholds['manual_review']:
        return 'MANUAL_REVIEW'
    elif score >= thresholds['auto_reject']:
        return 'MANUAL_REVIEW'  # 高风险仍需人工
    else:
        return 'REJECT'

4.4 业务规则集成

Champion模型不能独立运行，必须与业务规则引擎深度集成，形成“模型+规则”的混合决策体系。

4.4.1 规则集成的层次结构

4.4.2 规则分类与优先级

4.4.3 规则集成的最佳实践

• 规则前置：将计算成本低、确定性高的规则放在模型之前，减少模型调用量，降低延迟。
• 规则后置：将需要模型分数作为输入的规则放在模型之后，用于额度、利率等连续变量的调整。
• 规则版本管理：业务规则应与模型版本解耦，规则变更无需重新部署模型。
• 规则覆盖率监控：定期统计各规则触发的客户占比，防止规则过度覆盖导致模型失效。

4.5 Champion模型定义清单

综合以上内容，Champion模型的完整定义应包含以下要素：