1. 课程导论：金融风险暴露、A/B测试与学习路径
金融风险暴露（Financial Risk Exposure）是指金融机构或投资组合因市场波动、信用违约、操作失误或流动性枯竭而可能遭受的潜在损失规模。在数字化金融时代，风控策略的迭代速度直接决定了机构的盈利能力和合规底线。A/B测试作为因果推断的黄金标准，正从互联网产品优化领域全面渗透到风控策略的验证与调优中。
1.1 金融风险暴露的核心维度
风险暴露并非单一指标，而是由多个维度构成的立体框架。下表梳理了金融风控中最常见的四类风险暴露及其典型场景：
| 风险类型 | 暴露定义 | 典型场景 | 量化指标示例 |
|---|---|---|---|
| 信用风险 | 借款人或交易对手未能履行合同义务导致的损失 | 信贷审批、信用卡额度调整 | 违约概率（PD）、违约损失率（LGD） |
| 市场风险 | 因市场价格（利率、汇率、股价）不利变动导致的损失 | 交易组合估值、对冲策略验证 | 在险价值（VaR）、预期尾部损失（ES） |
| 操作风险 | 因内部流程、人员、系统或外部事件不完善导致的损失 | 反欺诈规则上线、交易监控阈值调整 | 欺诈率、误杀率、人工审核耗时 |
| 流动性风险 | 无法以合理成本及时获得充足资金以履行支付义务 | 现金贷产品放款节奏、赎回压力测试 | 流动性覆盖率（LCR）、期限错配缺口 |
关键认知： 风险暴露不是静态数字，而是随策略、客群、宏观环境动态变化的函数。A/B测试的核心价值在于——在真实流量中隔离策略变更带来的暴露增量，从而做出“是否上线”的因果决策。
1.2 A/B测试在风控中的独特价值
传统风控策略验证依赖离线回测（Backtesting）或专家经验判断，但这两者都存在明显缺陷：离线回测无法捕捉用户行为对策略的适应性反应（Goodhart效应），专家经验则受限于主观偏差。A/B测试通过随机化对照实验，在真实生产环境中直接测量策略变更对风险暴露的影响。
A/B测试在风控领域的四大核心价值：
- 因果推断：区分“策略导致的风险变化”与“自然波动”，避免将市场周期误判为策略效果。
- 渐进式上线：通过小流量实验（如5%实验组 vs 5%对照组）提前暴露极端损失风险，防止全量上线后出现不可逆的坏账飙升。
- 多目标权衡：风控策略通常需要在通过率（业务增长）与坏账率（风险控制）之间寻找最优平衡点，A/B测试可同时监控多个暴露指标。
- 监管合规：在模型验证、公平性审计等场景中，A/B测试提供了可追溯、可复现的量化证据链。
实战提示： 风控A/B测试与互联网产品A/B测试的最大区别在于——风险暴露指标通常具有“长尾”和“延迟”特性（如一笔贷款的风险暴露可能在12个月后才完全显现）。因此，实验的观测窗口和统计检验方法需要专门设计，本课程后续章节会详细展开。
1.3 课程目标与学习路径
本课程旨在帮助金融风控从业者、数据科学家和策略分析师，系统掌握将A/B测试应用于风险暴露管理的完整方法论。课程采用“理论+代码+案例”三线并进的结构，覆盖从实验设计到生产部署的全流程。
下图展示了本课程的知识体系架构与学习路径：
1.4 学习路径建议
根据学员的不同背景，我们推荐以下两条学习路径：
| 学员画像 | 前置知识要求 | 推荐学习路径 | 预期产出 |
|---|---|---|---|
| 风控策略分析师 | 了解信贷审批流程、熟悉SQL | 模块一 → 模块二 → 模块五 → 模块六 | 能独立设计风控A/B实验并解读结果 |
| 数据科学家/算法工程师 | 掌握Python、基础统计学 | 模块一 → 模块三 → 模块四 → 模块七 | 能实现统计检验代码并搭建实验平台 |
⚠️ 重要提醒： 本课程所有案例均使用脱敏模拟数据，严禁将课程中的代码和策略直接用于生产环境而不经过机构内部的风控审批流程。A/B测试只是决策辅助工具，不能替代风控委员会的专业判断。