1. 课程导论：什么是评分卡模型、PSI的定义与重要性、为什么需要PSI漂移告警

1.1 评分卡模型概述

评分卡（Scorecard）是金融风控领域最经典的量化决策工具，它将申请人的违约概率映射为一个整数分数，用于自动化审批、额度定价和贷后管理。一个典型的评分卡模型具有以下特征：

• 可解释性强：每个特征分箱对应明确的分数贡献，业务人员可直接解读。
• 稳定性优先：评分卡通常使用逻辑回归（Logistic Regression）作为底层算法，对特征分布变化敏感。
• 分数单调性：分数越低，违约风险越高；分数越高，违约风险越低。

传统评分卡依赖逻辑回归，而本课程采用 LightGBM 作为替代模型，在保持可解释性的同时大幅提升预测精度。LightGBM 评分卡通过 分箱映射 + 分数转换 技术，将树模型的输出转化为标准评分卡格式。

1.2 PSI的定义与重要性

群体稳定性指标（Population Stability Index, PSI） 是衡量模型分数分布随时间变化程度的量化指标。其计算公式如下：

PSI = Σ (实际占比_i - 预期占比_i) × ln(实际占比_i / 预期占比_i)

其中：

• 预期占比：模型开发时（或上一监控周期）各分数段的样本比例。
• 实际占比：当前监控周期各分数段的样本比例。

PSI 的重要性体现在三个层面：

1. 风险预警：提前发现客群结构变化，避免模型失效导致坏账激增。
2. 合规要求：监管机构（如银保监会）明确要求模型上线后持续监控稳定性。
3. 业务决策：PSI 漂移直接影响审批通过率和额度策略，需及时调整。

1.3 为什么需要PSI漂移告警

模型上线后，外部经济环境、客群结构、数据采集方式等因素会持续变化，导致模型输入特征的分布发生偏移。这种偏移会直接传导至评分卡分数分布，造成以下后果：

• 排序能力下降：高分客户与低分客户的风险区分度变差。
• 校准失效：预测违约概率与实际违约率出现系统性偏差。
• 策略误判：基于旧分数分布的审批规则不再适用，可能拒绝优质客户或通过高风险客户。

建立 PSI 漂移告警系统 的核心价值在于：

• 自动化监控：每日/每周自动计算 PSI，无需人工手动跑数。
• 实时告警：当 PSI 超过阈值时，通过邮件、钉钉、企微等渠道通知相关人员。
• 根因定位：结合特征级 PSI 和 SHAP 值，快速定位导致漂移的关键特征。
• 决策支持：为模型重训、策略调整、拒绝推断等后续动作提供数据依据。

1.4 评分卡PSI漂移监控架构

下图展示了本课程将要实现的 LightGBM 评分卡 PSI 漂移告警系统的整体架构：

1.5 课程实战目标

通过本课程，你将掌握以下核心能力：