2. 切片复盘方法论：总体框架与核心流程
切片复盘是风险计量模型监控与验证的核心技术手段，其本质是将模型运行结果按特定维度“切分”为若干子集，逐一评估模型表现，从而定位风险来源。本章系统阐述切片复盘的总体框架、数据准备、模型切片逻辑与归因分析流程。
2.1 总体框架
切片复盘遵循“定义目标 → 数据准备 → 切片执行 → 归因分析 → 结论输出”五阶段闭环。各阶段之间通过标准化接口衔接，确保复盘过程可追溯、可复现。
核心原则：切片复盘不是一次性动作，而是持续监控的组成部分。每次复盘结果应反馈至模型开发与参数调优环节，形成迭代优化闭环。
2.2 数据准备
数据准备是切片复盘的基石，直接影响切片结果的可靠性。数据准备阶段需完成以下关键步骤：
| 步骤 | 内容 | 常见问题 | 处理要求 |
|---|---|---|---|
| 1. 数据采集 | 提取模型输入、输出、实际违约/损失标签 | 字段缺失、时间戳不一致 | 统一数据源，建立字段映射表 |
| 2. 数据清洗 | 处理异常值、缺失值、重复记录 | 极端值未剔除、空值填充不当 | 按业务规则设定阈值，记录清洗日志 |
| 3. 数据对齐 | 将模型评分与真实表现按观测时点对齐 | 评分时间与违约时间错位 | 采用“评分时点+表现窗口”对齐策略 |
| 4. 样本划分 | 按切片维度标记样本所属子集 | 样本重叠、分组边界模糊 | 使用唯一标识符，避免跨组交叉 |
实践建议：数据准备阶段应保留完整的数据血缘记录，包括原始数据来源、清洗规则、对齐逻辑。这有助于后续审计与问题追溯。
2.3 模型切片逻辑
模型切片逻辑定义了如何将整体样本划分为若干子集。切片维度通常包括：
- 时间维度：按季度、年度或经济周期阶段切分，用于评估模型在不同时期的稳定性。
- 产品维度：按贷款类型、债券品种、衍生品类别切分，识别特定产品的模型偏差。
- 客户维度：按评级等级、行业、区域、企业规模切分，定位客户层面的系统性偏差。
- 模型维度：按模型版本、参数组合、评分区间切分，评估模型内部结构合理性。
切片逻辑需满足以下原则：
- 互斥性：每个样本只能属于一个切片子集，避免重叠。
- 完备性：所有样本必须被分配到某个切片子集中，无遗漏。
- 业务可解释性：切片边界应基于业务规则或统计阈值，而非随意划分。
2.4 归因分析流程
归因分析是切片复盘的核心环节，旨在识别导致模型表现偏差的根源。标准归因分析流程包含以下步骤：
- 计算切片指标：对每个切片子集计算关键性能指标（KPI），如 AUC、KS、Brier Score、Lift 值、校准曲线斜率等。
- 基准对比：将切片指标与整体基准或历史基准进行对比，识别显著偏离的切片。
- 偏差分类：将偏差分为系统性偏差（影响所有切片）与特异性偏差（仅影响特定切片）。
- 根因追溯：结合业务逻辑与数据特征，追溯偏差来源（如数据质量、模型假设、外部环境变化）。
- 影响评估：量化偏差对资本计量、风险加权资产（RWA）或预期损失（ECL）的影响程度。
常见陷阱：归因分析时容易将相关性误判为因果性。例如，某切片 AUC 下降可能与样本量过小导致的统计波动有关，而非模型失效。建议结合统计检验（如 Bootstrap 置信区间）判断偏差是否显著。
2.5 归因分析常用方法对比
| 方法 | 适用场景 | 优势 | 局限性 |
|---|---|---|---|
| 对比分析法 | 切片间指标差异明显时 | 直观、易于沟通 | 无法量化各因素贡献度 |
| Shapley 值分解 | 多因素共同作用时 | 可量化各因素边际贡献 | 计算复杂度高，需大量样本 |
| 回归分解 | 连续型指标（如 PD 均值） | 可解释性强，支持假设检验 | 对线性假设敏感 |
| 决策树路径分析 | 高维切片维度时 | 自动发现关键交互维度 | 可能过拟合，需剪枝 |
2.6 切片复盘输出规范
每次切片复盘应输出标准化报告，至少包含以下内容：
- 切片清单：所有切片子集的名称、样本量、时间范围、维度定义。
- 指标汇总表：各切片的核心 KPI 及与基准的偏差值。
- 偏差矩阵：按偏差类型（系统性/特异性）和严重程度（高/中/低）分类。
- 根因分析结论：明确偏差来源，区分数据问题、模型问题与外部因素。
- 行动建议：针对每个偏差切片提出模型调整、数据补充或监控频率变更的建议。
关键指标：切片复盘的有效性可通过“偏差发现率”（发现显著偏差的切片数 / 总切片数）和“根因定位准确率”（事后验证正确的归因数 / 总归因数）两个指标衡量。建议建立历史复盘数据库，持续优化归因方法。