📚 课程目录第2章组合风险定义

2. 组合风险定义：从单一模型到组合视角

在风控模型迭代中，单一模型评估（如 AUC、KS、Lift）只能衡量单个 Champion 或 Challenger 的区分能力与排序质量。然而，当多个模型同时部署于不同客群、产品线或决策节点时，组合风险（Portfolio Risk） 才是衡量整体资产质量波动的核心指标。组合风险关注的是：多个模型共同作用下的整体违约损失分布、集中度风险以及收益-风险平衡。

2.1 组合风险的量化指标

组合风险通常从以下三个维度进行量化：

维度	指标	计算公式 / 说明
集中度	Herfindahl-Hirschman Index (HHI)	HHI = Σ (w_i)²，w_i 为第 i 个模型管理的资产占比。HHI 越接近 1，集中度越高，单一模型失效风险越大。
波动性	组合违约率标准差 (σ_p)	σ_p = √(Σ w_i² σ_i² + 2 Σ Σ w_i w_j ρ_ij σ_i σ_j)，其中 ρ_ij 为模型间违约相关性。
尾部风险	Conditional Value at Risk (CVaR)	CVaR_α = E[Loss \| Loss > VaR_α]，衡量极端损失下的平均损失水平。

  关键认知： 单一模型 AUC 提升 2% 可能带来组合 CVaR 下降 5%，也可能因模型间正相关性导致组合波动率上升。组合风险指标必须与模型级指标联合监控。

2.2 为何需要从单一模型评估升级到组合视角

单一模型评估存在三个固有盲区，只有组合视角才能覆盖：

盲区一：模型间相关性被忽略。 两个模型可能各自表现优异，但若它们在同一客群上同时犯错（如都低估收入下降客群的违约概率），组合损失将远高于单一模型损失之和。
盲区二：集中度风险被隐藏。 当某个 Challenger 模型在特定产品线中占据过高份额时，该模型的局部失效会直接冲击整体资产质量。
盲区三：收益-风险平衡被割裂。 单一模型追求最大化区分度，可能拒绝高收益但略高风险客群，导致组合收益下降；组合视角允许在整体风险预算内优化收益。

实战建议： 在 Champion/Challenger 切换决策中，除了比较 Champion 与 Challenger 的 KS/AUC，还应计算“切换后的组合 HHI 变化”和“组合违约率波动率变化”。若 Challenger 使 HHI 下降 0.1 且 σ_p 下降 3%，即使其 AUC 略低于 Champion，也值得部署。

2.3 组合风险与单一模型评估的对比

对比维度	单一模型评估	组合视角评估
关注对象	单个模型的排序能力	多模型共同作用下的整体损失分布
核心指标	AUC, KS, Gini, Lift	HHI, σ_p, CVaR, 组合夏普比
忽略因素	模型间相关性、集中度	无（显式建模相关性）
决策导向	模型是否“更好”	模型切换是否“更安全、更均衡”

2.4 组合风险量化流程

从单一模型到组合视角的升级，通常遵循以下步骤：

收集各模型评分与违约标签：获取 Champion 及所有 Challenger 在验证集上的预测概率和实际违约结果。
计算模型间违约相关性矩阵：使用 Pearson 或 Spearman 相关系数，衡量两两模型在违约预测上的线性/单调关联。
设定各模型资产权重：根据当前部署占比或拟切换后的目标占比，确定 w_i。
计算组合违约率波动率 σ_p：代入公式，得到组合层面的风险波动。
计算组合 CVaR：通过蒙特卡洛模拟或历史情景分析，得到尾部风险值。
评估集中度 HHI：若 HHI > 0.3，提示集中度风险偏高，需分散模型部署。

常见误区： 不要将组合风险简单理解为各模型违约率的加权平均。由于模型间存在正相关性，组合违约率波动通常高于加权平均波动。忽略相关性会严重低估风险。

2.5 组合风险结构图

下图展示了从单一模型评估到组合风险监控的升级路径，以及各量化指标在组合中的位置：

2.6 组合风险复盘案例提示

  案例： 某消费金融公司同时部署 Champion（逻辑回归）和 Challenger（XGBoost）。Champion 管理 70% 资产，Challenger 管理 30%。单一评估显示 XGBoost 的 AUC 高出 0.03，但计算发现两模型违约相关性 ρ=0.72，组合 σ_p 比 Champion 单独高出 18%。进一步分析，两模型在“自由职业者”客群上同时低估违约概率。最终决策：保留 Champion 为主模型，Challenger 仅用于“工薪客群”子集，将 HHI 从 0.58 降至 0.34，组合 CVaR 下降 12%。