3. Champion 模型与 Challenger 模型定义
在风控网关的模型迭代体系中，Champion（冠军模型）与Challenger（挑战者）是驱动策略持续进化的双引擎。本章将明确两者的选取标准与引入策略，为后续的流量切分与效果评估奠定基础。
3.1 Champion 模型的选取标准
Champion 模型并非一成不变，而是当前生产环境中表现最优、最稳定的模型。其选取需满足以下硬性指标：
| 评估维度 | 核心指标 | 达标阈值 | 说明 |
|---|---|---|---|
| 区分能力 | KS / AUC | KS ≥ 0.35, AUC ≥ 0.80 | 在验证集与跨时间测试集上均达标 |
| 稳定性 | PSI（群体稳定性指标） | PSI < 0.10 | 近 3 个月生产环境 PSI 持续达标 |
| 业务效果 | 坏账率 / 通过率 / 逾期率 | 坏账率 ≤ 基线 1.05x | 在真实流量中验证无显著负向偏移 |
| 计算性能 | P99 延迟 / QPS | P99 < 50ms | 满足风控网关实时决策的 SLA |
| 可解释性 | 特征重要性 / SHAP 值 | Top10 特征可解释 | 便于风控策略分析师进行归因与调优 |
实战建议：Champion 模型建议每季度重新评估一次。若连续两个月 PSI 超过 0.12，应启动 Champion 降级流程，将 Challenger 中表现最优的模型晋升为新的 Champion。
3.2 Challenger 模型的引入策略
Challenger 模型是 Champion 的候选替代者，其引入需遵循“低风险验证、渐进式放量”的原则。引入策略分为以下四个阶段：
- 离线验证阶段：在历史数据上回测，要求 KS 不低于 Champion 的 95%，且 PSI < 0.15。
- 影子模式阶段：Challenger 模型与 Champion 并行打分，但不影响真实决策。此阶段持续 1-2 周，收集至少 10 万条样本的分数分布。
- 小流量实验阶段：将 1%-5% 的流量切给 Challenger 模型，观察 7-14 天的业务指标（通过率、逾期率、客诉率）。
- 放量验证阶段：若小流量实验通过，逐步将流量提升至 10%-30%，持续监控 30 天以上。
关键原则：Challenger 模型在引入初期必须设置“熔断机制”。当 Challenger 模型的坏账率超过 Champion 的 1.2 倍，或 P99 延迟超过 100ms 时，系统应自动将流量切回 Champion，并触发告警。
3.3 Champion vs Challenger 对比矩阵
| 对比维度 | Champion 模型 | Challenger 模型 |
|---|---|---|
| 角色定位 | 生产环境默认决策模型 | 候选替代/增强模型 |
| 流量占比 | 通常 ≥ 90% | 0% - 30%（实验阶段） |
| 更新频率 | 季度级评估，月度级微调 | 周级或双周级迭代 |
| 风险容忍度 | 极低（影响全量业务） | 中等（仅影响实验流量） |
| 监控粒度 | 全量业务指标 + 模型稳定性 | 实验组 vs 对照组差异分析 |
| 回滚机制 | 需灰度回滚至上一版本 | 一键切回 Champion |
3.4 Champion-Challenger 生命周期流程
下图展示了从 Champion 模型上线到 Challenger 模型引入、验证、最终晋升或淘汰的完整生命周期：
3.5 引入策略的决策树
在实际风控网关中，Challenger 模型的引入并非一刀切，而是根据模型类型与业务场景选择不同的策略。以下决策树可帮助团队快速确定引入方式：
注意：决策树中的流量比例与观察周期为推荐值。实际生产中，若业务量级较小（日均样本 < 1 万），应适当延长观察周期或提高流量比例，以确保统计显著性。
3.6 实战中的常见陷阱
- 幸存者偏差：Champion 模型在历史数据上表现优异，但可能因环境变化而失效。Challenger 模型引入时，务必使用最新数据（近 1-2 周）进行验证。
- 过度拟合实验流量：Challenger 模型在小流量实验中表现良好，但放量后效果衰减。建议在放量阶段设置“阶梯式监控”，每增加 5% 流量即进行一次显著性检验。
- 忽略计算开销：Challenger 模型若为深度学习模型，其推理延迟可能高于 Champion。在影子模式阶段就必须采集延迟数据，确保 P99 延迟满足风控网关的 SLA。
- 缺乏回滚预案：Challenger 模型晋升为 Champion 后，若出现负向效果，应保留上一版本 Champion 的模型文件与配置，支持快速回滚。