4. Challenger 模型设计原则
在信用评分 PD 模型开发中，Champion 模型（冠军模型）是当前生产环境中的最优模型；而 Challenger 模型（挑战者模型）则是在 Champion 基础上提出新假设、引入新变量或采用新算法构建的候选模型。Challenger 模型的设计并非自由探索，必须在业务约束、数据可用性、模型复杂度与可解释性之间取得平衡。本章系统阐述 Challenger 模型设计的核心原则与策略。
4.1 业务约束：Challenger 模型的第一道防线
任何 Challenger 模型假设的提出，都必须首先通过业务约束的过滤。业务约束决定了模型能否落地、是否合规、是否被业务方接受。
| 约束类型 | 具体内容 | 对 Challenger 模型的影响 |
|---|---|---|
| 监管合规 | 巴塞尔协议 III/IV、当地监管要求、公平借贷法 | 禁止使用敏感变量（种族、性别、宗教等）；必须通过可解释性测试 |
| 业务可解释性 | 业务团队、审批人员、风控委员会的理解门槛 | 模型变量必须具有业务含义，拒绝纯黑箱模型 |
| 系统兼容性 | 现有评分引擎、决策引擎、数据仓库的接口限制 | 模型输出格式、变量数量、计算复杂度需与现有系统匹配 |
| 客户体验 | 拒绝率、审批速度、客户投诉风险 | 模型不能过度拒绝优质客户，不能引入不可解释的拒绝原因 |
| 成本效益 | 模型开发、部署、监控、维护的全生命周期成本 | 新模型带来的性能提升必须显著高于其额外成本 |
关键原则：Challenger 模型的设计假设必须首先通过业务约束的“红绿灯”检查。任何违反监管合规或业务可解释性的假设，即使统计性能再优，也应直接淘汰。
4.2 数据可用性：假设验证的基础
Challenger 模型的新假设往往需要新的数据源或新的特征工程。数据可用性直接决定了假设能否被验证、模型能否被训练。
- 数据覆盖度：新变量在样本中的缺失率是否可控？缺失模式是否随机？
- 数据时效性：新数据源的历史长度是否足够覆盖完整经济周期？是否支持跨周期验证？
- 数据质量：新变量的异常值、重复值、逻辑一致性是否满足建模要求？
- 数据稳定性：新变量在时间序列上的分布是否稳定？是否存在结构性断点？
- 数据获取成本：外部数据（如征信、税务、电商）的采购成本、接入周期、更新频率是否可接受？
实践建议：在正式建模前，先对候选新变量进行“数据可用性评分卡”评估。评分维度包括：缺失率 < 5%（3分）、5%-15%（2分）、>15%（1分）；历史覆盖 > 3年（3分）、1-3年（2分）、< 1年（1分）。总分低于 6 分的变量建议暂缓引入。
4.3 模型复杂度与可解释性的平衡策略
Challenger 模型往往尝试更复杂的算法（如 XGBoost、LightGBM、神经网络）以提升区分能力，但复杂度的提升通常以牺牲可解释性为代价。平衡策略是 Challenger 模型设计的核心难点。
4.3.1 复杂度-可解释性光谱
不同模型在复杂度与可解释性光谱上的位置不同，Challenger 模型需要根据业务场景选择合适的位置。
4.3.2 平衡策略矩阵
针对不同业务场景，Challenger 模型应采用不同的复杂度-可解释性平衡策略。
| 业务场景 | 推荐模型复杂度 | 可解释性要求 | 平衡策略 |
|---|---|---|---|
| 零售信贷（小额高频） | 中高（XGBoost/LightGBM） | 中等 | 使用 SHAP 值、特征重要性进行全局解释；对拒绝原因提供 Top-3 变量说明 |
| 企业信贷（大额低频） | 中低（逻辑回归+特征工程） | 高 | 保持线性可加结构；使用 WOE 编码和变量分段保证业务可读性 |
| 信用卡反欺诈 | 高（神经网络/集成学习） | 低 | 接受一定程度的黑箱，但需提供异常检测的局部解释（LIME） |
| 监管报送模型 | 低（逻辑回归/评分卡） | 极高 | 严格遵循标准评分卡范式；变量不超过 15 个，每个变量有明确业务定义 |
4.4 Challenger 模型假设设计流程
综合上述原则，Challenger 模型假设的设计应遵循以下流程，确保每一步都经过约束检查。
4.5 常见 Challenger 假设类型与约束对照
以下列举常见的 Challenger 模型假设类型，并对照其面临的业务约束、数据约束和复杂度约束。
| 假设类型 | 示例 | 业务约束 | 数据约束 | 复杂度约束 |
|---|---|---|---|---|
| 新变量引入 | 引入电商交易频次作为还款能力代理 | 需确认数据来源合规、客户授权 | 覆盖度低、历史短、稳定性差 | 低（单变量替换） |
| 新算法替换 | 从逻辑回归替换为 XGBoost | 需通过可解释性测试、监管审查 | 需足够样本量支持树模型训练 | 高（需调参、特征选择） |
| 变量交互效应 | 收入×负债率作为新特征 | 需业务方理解交互含义 | 需验证交互项统计显著性 | 中（增加特征维度） |
| 时间维度扩展 | 引入宏观经济指标（GDP、失业率） | 需确认宏观变量与业务的相关性 | 宏观数据频率低、滞后性明显 | 中（需时间序列对齐） |
| 分群建模 | 按客户生命周期分群，每群独立建模 | 需定义清晰的分群规则、避免歧视 | 每群样本量需满足建模最低要求 | 高（多模型维护成本） |
避坑提醒：不要为了追求性能提升而盲目引入复杂假设。实际项目经验表明，约 60% 的 Challenger 模型在 Champion 对照测试中未能显著胜出。建议每次只修改 1-2 个假设，保持对照实验的可归因性。
4.6 小结：Challenger 模型设计检查清单
在提交 Challenger 模型进入 Champion 对照测试前，请逐项确认以下检查点：
- 业务约束检查：新假设是否违反监管合规要求？是否被业务方接受？
- 数据可用性检查：新变量/新数据源是否满足覆盖度、时效性、质量、稳定性要求？
- 复杂度-可解释性平衡：模型复杂度是否与业务场景匹配？是否提供了足够的可解释性方案（SHAP、LIME、特征重要性）？
- 成本效益评估：新模型的性能提升是否显著高于其开发、部署、监控的额外成本？
- 对照实验设计：是否设置了清晰的 Champion vs Challenger 对照实验方案？评估指标是否一致？
只有通过上述所有检查的 Challenger 模型，才有资格进入正式的 Champion 对照测试环节。