1. 课程导论：滚动率与逾期预测模型在信贷风控中的核心地位与课程目标
1.1 为什么滚动率是信贷风控的“仪表盘”？
在信贷资产的生命周期中，逾期状态并非静态不变。一个处于 M1（逾期 1–30 天）的账户，可能在下个月还款成为正常户，也可能继续恶化为 M2+ 甚至坏账。滚动率（Roll Rate）正是衡量这种状态迁移概率的核心指标。它不仅是贷后监控的“晴雨表”，更是构建逾期预测模型、计提拨备、制定催收策略的基础。
核心定义： 滚动率 = 从当前逾期状态迁移到更差逾期状态的账户数 ÷ 当前逾期状态的总账户数。例如，M1→M2 滚动率 = 下个月进入 M2 的账户数 / 本月 M1 账户数。
1.2 逾期预测模型：从“事后统计”到“事前干预”
传统的滚动率分析属于描述性统计，而逾期预测模型（如生存分析、XGBoost、LSTM）则试图在客户尚未逾期或处于早期逾期时，预测其未来 3–6 个月的违约概率。两者的结合构成了现代信贷风控的“双引擎”：
| 维度 | 滚动率分析 | 逾期预测模型 |
|---|---|---|
| 数据基础 | 历史逾期状态迁移矩阵 | 客户画像、行为、征信等多维特征 |
| 输出形式 | 状态转移概率（如 30%） | 个体违约概率（PD） |
| 应用场景 | 贷后监控、拨备计提、催收策略分组 | 贷前审批、额度管理、早期预警 |
| 时效性 | 月度/季度回顾 | 实时/准实时评分 |
课程关键认知： 滚动率是逾期预测模型的“标签工厂”——没有准确的滚动率定义，就无法生成可靠的坏账标签（Y 变量），模型预测也就无从谈起。
1.3 滚动率与逾期预测模型的协同架构
下图展示了从原始还款数据到最终风控决策的完整链路，其中滚动率分析既是独立的监控模块，也是模型训练的基石。
1.4 课程核心目标
本课程不追求理论堆砌，而是聚焦于“如何评估”与“如何落地”。通过 30 个章节的案例解析，你将掌握以下五项核心能力：
- 精准定义滚动率： 区分“静态池”与“动态池”滚动率，理解 vintage 分析中的迁移陷阱。
- 构建逾期预测模型： 从逻辑回归到 GBDT，掌握风控模型的特征筛选与训练流程。
- 模型评估指标体系： 不仅会看 KS、AUC，更能结合滚动率矩阵解读模型的分层效果。
- 案例驱动的实战解析： 每个章节均包含真实业务场景的代码片段与结果解读。
- 监控与迭代策略： 学会设计模型上线后的滚动率监控报表，及时发现模型衰减。
⚠️ 学习前提： 建议读者具备基础的 Python 编程能力（pandas、sklearn）以及基本的信贷业务术语（如 M0、M1、M2+、FPD、DPD）。本课程将提供完整的代码示例，但不会从零讲解 Python 语法。
1.5 课程内容全景图
下表概括了本课程 30 个章节的模块划分，帮助你建立全局学习路径：
| 模块 | 章节范围 | 核心内容 |
|---|---|---|
| 基础篇 | 第 1–5 章 | 滚动率定义、逾期口径、迁移矩阵计算、Vintage 分析 |
| 模型篇 | 第 6–15 章 | 特征工程、逻辑回归、XGBoost、LSTM 逾期预测模型构建 |
| 评估篇 | 第 16–22 章 | KS/AUC/Gini、PSI、滚动率交叉验证、模型可解释性 |
| 实战篇 | 第 23–28 章 | 贷前审批模型案例、贷中预警案例、催收评分卡案例 |
| 进阶篇 | 第 29–30 章 | 模型监控体系搭建、滚动率驱动的策略迭代 |