4. 模型切片技术：模型输入变量切片、模型输出结果切片、模型参数敏感性切片

在风险计量模型验证与复盘过程中，模型切片技术是穿透模型“黑箱”、定位风险归因的核心手段。切片并非简单的数据分组，而是从输入层、输出层和参数层三个维度，对模型行为进行结构化拆解，从而识别非线性响应、边界失效与参数脆弱性。

4.1 模型输入变量切片

输入变量切片关注模型在不同特征区间或业务维度上的表现差异。通过将输入空间划分为互斥的子域，对比各子域内的预测误差、违约区分度或资本占用波动，可快速定位模型在特定客群或市场状态下的系统性偏差。

4.2 模型输出结果切片

输出结果切片聚焦于模型预测值、评分分布或损失分布的分位数区间。通过将模型输出按预测分数段或损失大小进行分层，可以评估模型在全量排序中的校准质量与排序稳定性。

• 评分/概率切片：将PD预测值按 0-0.5%、0.5-1%、1-2%、2-5%、5%以上 等区间分组，计算每个区间的实际违约率与预测违约率的比值（校准比）。
• 损失分布切片：将蒙特卡洛模拟生成的损失分布按百分位数（P50、P90、P95、P99、P99.9）切片，对比不同置信水平下的资本占用变化趋势。
• 排序稳定性切片：按模型评分将客户分为十等份（十分位），观察各分位组在跨时间窗口内的迁移率。

4.3 模型参数敏感性切片

参数敏感性切片通过系统性地扰动模型关键参数，观察输出指标的变化幅度，从而识别对模型结果影响最大的参数因子。该技术是压力测试和模型稳健性评估的核心组成部分。

# 参数敏感性切片伪代码示例
parameters = ['PD_floor', 'LGD_floor', 'correlation_factor', 'maturity_adjustment']
base_result = model.run(input_data)

sensitivity_table = []
for param in parameters:
    for shock in [-20%, -10%, +10%, +20%]:
        adjusted_param = base_params[param] * (1 + shock)
        shocked_result = model.run(input_data, **{param: adjusted_param})
        delta = (shocked_result - base_result) / base_result
        sensitivity_table.append((param, shock, delta))

4.4 三种切片技术的协同框架

三种切片技术并非孤立使用，而是构成一个完整的模型诊断闭环：输入变量切片定位“哪里有问题”，输出结果切片量化“问题有多大”，参数敏感性切片解释“问题从何而来”。

4.5 切片复盘案例：信用风险内部评级模型

以下案例展示三种切片技术在某银行公司贷款内部评级模型复盘中的实际应用。