1. 课程导论：Champion Challenger框架在金融风控中的价值
1.1 为什么金融风控需要Champion Challenger？
在信贷、反欺诈、交易监控等金融场景中，模型迭代速度与业务风险直接挂钩。传统“一刀切”式模型上线方式存在三大痛点：
- 回滚困难：新模型上线后若效果不及预期，回退旧模型耗时数天，期间坏账或误拒损失不可控。
- 评估偏差：离线AUC/KS指标与线上真实表现常存在偏差，缺乏在线对比验证机制。
- 监管合规：金融监管要求模型变更可追溯、可解释，无对比框架难以满足审计要求。
Champion Challenger框架通过“冠军模型（Champion）与挑战者模型（Challenger）并行运行、实时对比”的方式，系统性地解决了上述问题。该框架已成为头部银行、消费金融公司、互联网信贷平台的标准模型管理实践。
核心价值总结： Champion Challenger框架将模型迭代从“黑盒上线”转变为“可观测、可对比、可回滚”的工程化流程，是金融风控模型持续交付的基础设施。
1.2 课程目标与学习路径
本课程旨在帮助学员掌握从0到1搭建金融风控特征回放与Champion Challenger系统的完整能力。课程分为四大模块：
| 模块 | 章节范围 | 核心产出 |
|---|---|---|
| 基础篇 | 第1-5章 | 理解框架原理、特征回放技术选型、离线评估体系 |
| 工程篇 | 第6-15章 | 搭建特征回放管道、实现冠军/挑战者分流、实时监控看板 |
| 算法篇 | 第16-25章 | 挑战者模型设计、A/B测试统计推断、多模型对比策略 |
| 实战篇 | 第26-30章 | 全流程项目实战、生产部署、监管合规与故障演练 |
学习路径建议：具备Python/Spark基础与风控建模经验的学员，可按章节顺序学习；若仅关注工程落地，可优先学习工程篇与实战篇。
1.3 核心概念：特征回放、冠军模型与挑战者模型
在进入具体实现前，先明确三个贯穿全课程的核心概念：
- 特征回放（Feature Replay）：将历史时间点的特征数据“回放”到当前模型上，模拟模型在历史时刻的决策表现。这是离线评估与在线对比的基础能力。
- 冠军模型（Champion Model）：当前生产环境中正在服务的模型，其决策结果直接影响业务（如授信、定价、交易放行）。
- 挑战者模型（Challenger Model）：待验证的新模型或候选模型，与冠军模型并行运行，但其决策结果仅用于对比分析，不直接干预业务。
关键区别： 冠军模型“动业务”，挑战者模型“动指标”。挑战者模型的输出必须经过统计显著性检验后，才能决定是否晋升为新的冠军模型。
三者之间的关系可以通过以下架构图直观理解：
1.4 特征回放的核心价值
特征回放是Champion Challenger框架的“数据底座”。没有特征回放能力，挑战者模型无法在历史数据上验证效果，在线对比也缺乏基准线。特征回放解决了以下关键问题：
| 场景 | 无特征回放 | 有特征回放 |
|---|---|---|
| 离线评估 | 只能使用当前快照特征，无法模拟历史决策 | 精确还原历史时刻特征分布，评估更真实 |
| 模型对比 | 冠军与挑战者使用不同时间窗口特征，对比不公平 | 同一时间点特征回放，保证对比条件一致 |
| 故障恢复 | 模型回滚后特征管道需重新对齐，耗时数小时 | 特征已持久化，回滚后秒级恢复 |
| 监管审计 | 无法提供历史决策时刻的完整特征快照 | 每次决策的特征版本可追溯、可复现 |
常见误区： 特征回放≠特征存储。特征存储只保存最新值，特征回放需要保存“时间点版本”与“特征血缘关系”。本课程后续将详细讲解基于Delta Lake与Redis Stream的实现方案。
1.5 冠军/挑战者模型的晋升机制
挑战者模型不会自动成为冠军模型，必须经过严格的晋升流程。典型的晋升决策流程如下：
晋升决策中常用的统计指标包括：
- KS提升：挑战者相比冠军的KS提升是否超过预设阈值（通常≥0.02）
- PSI稳定性：挑战者模型分数分布与冠军的PSI是否小于0.1
- 业务指标：在95%置信水平下，坏账率是否显著降低，通过率是否在可接受范围
实战建议： 晋升阈值不要设置过高。建议采用“渐进式晋升”——先让挑战者模型承接5%流量，观察2周后再决定是否全量切换。本课程第18章将详细讲解多阶段晋升策略。