1. 课程导论：逾期预测模型在金融风控中的重要性
1.1 逾期预测模型的核心价值
在信贷金融业务中，逾期预测模型是风险管理的核心组件。它通过分析借款人的历史行为、信用特征、交易数据等多维信息，在贷前、贷中、贷后全生命周期中量化评估借款人未来发生逾期还款的概率。一个高精度的逾期预测模型能够直接降低坏账率、优化资金配置效率，并提升金融机构的资产质量。
关键业务影响： 据行业统计，部署有效逾期预测模型的金融机构，其不良贷款率平均可降低 15%–25%，同时审批通过率提升 10%–20%，实现风险与收益的动态平衡。
1.2 模型评估的核心目标
模型评估并非简单的“准确率越高越好”。在金融风控场景中，评估需要回答以下三个核心问题：
- 区分能力： 模型能否有效区分“好客户”与“坏客户”？即逾期用户与正常用户的评分分布是否具有显著差异。
- 校准能力： 模型预测的概率是否与实际逾期率一致？例如，预测逾期概率为 10% 的客群，其真实逾期率是否接近 10%。
- 稳定性： 模型在时间推移、客群变化、经济周期波动下，其性能是否保持稳健？
| 评估维度 | 核心问题 | 典型指标 |
|---|---|---|
| 区分能力 | 模型能否分离好坏样本？ | KS、AUC、Gini |
| 校准能力 | 预测概率是否准确？ | Brier Score、校准曲线 |
| 稳定性 | 模型性能是否随时间衰减？ | PSI、特征稳定性指数 |
评估视角： 实际业务中，区分能力是模型“选人”的能力，校准能力是模型“定价”的依据，稳定性是模型“上线后”的生命线。三者缺一不可。
1.3 本课程学习路径
本课程按照“基础概念 → 指标详解 → 评估流程 → 实战案例”的递进逻辑设计，共分为 30 个章节，帮助学员系统掌握逾期预测模型效果评估的完整知识体系。
| 学习阶段 | 章节范围 | 核心内容 |
|---|---|---|
| 基础篇 | 第 1–5 章 | 模型评估概念、混淆矩阵、ROC/AUC、KS、Gini 系数 |
| 进阶篇 | 第 6–15 章 | 校准曲线、Brier Score、PSI、特征重要性、分组评估 |
| 实战篇 | 第 16–25 章 | Python 代码实现、自动化评估报告、模型监控看板 |
| 专题篇 | 第 26–30 章 | 不平衡样本处理、时间序列验证、模型可解释性 |
1.4 前置知识要求
为获得最佳学习效果，建议学员具备以下基础：
- 统计学基础： 理解概率、分布、假设检验等基本概念。
- 机器学习入门： 了解分类模型（逻辑回归、决策树、随机森林、XGBoost）的基本原理。
- Python 编程： 能够使用 pandas、numpy、scikit-learn 进行数据处理和模型训练。
- 金融风控常识： 了解信贷业务中的“逾期”“坏账”“授信”等基本术语。
注意： 本课程不涉及模型训练过程本身，而是聚焦于“模型训练完成后，如何科学、全面地评估其效果”。如果你对模型训练尚不熟悉，建议先补充相关基础知识。
1.5 为什么选择本课程？
市面上关于模型评估的资料多而分散，本课程具有以下独特优势：
- 体系化： 从指标原理到代码实现，从单模型评估到多模型对比，覆盖完整评估链路。
- 业务化： 每个指标都结合金融风控实际业务场景讲解，避免“纸上谈兵”。
- 可操作： 提供可直接运行的 Python 代码和评估模板，学完即用。
- 可视化： 大量使用图表、SVG 流程图辅助理解，降低学习曲线。
学习建议： 建议按照章节顺序学习，每章结束后动手实践配套代码。遇到不理解的概念，可以返回本章重新阅读相关定义和图示。