📚 课程目录第1章课程导论

1. 课程导论：事件驱动架构与坏账率监控的结合背景、课程目标与学习路径

在金融风控领域，坏账率（NPL Ratio）是衡量资产质量的核心指标。传统监控方案通常采用定时批处理（如每日凌晨跑SQL脚本）或轮询数据库的方式。这种架构在面对高频交易、实时授信、动态额度调整等场景时，暴露出以下关键缺陷：

  核心矛盾：坏账率是状态，但产生坏账的过程是事件流。用批处理去拟合事件流，本质上是拿快照去拟合连续函数，必然产生信息损失。

事件驱动架构将业务中的每一次动作——放款、还款、逾期、核销、催收——都建模为不可变的事件。系统不再“定时查表”，而是“订阅事件流”，在事件发生的瞬间计算并更新坏账率。这种范式转换带来了三个根本性变化：

本课程不是泛泛地讲EDA理论，也不是单纯地讲Python回测框架。我们聚焦于一个具体的、高价值的金融风控场景——坏账率监控的回测，并以此为主线，串联起事件驱动架构的核心实践。完成本课程后，你将能够：

课程定位：这是一门“实战导向”的课程。每章都配有可运行的Python代码示例，最终你会得到一个完整的、基于事件驱动的坏账率回测监控原型系统。

课程共30章，分为四个阶段，呈螺旋式上升结构。下表展示了每个阶段的核心主题与交付物：

阶段	章节范围	核心主题	关键交付物
基础篇	第1-8章	事件建模、EDA核心模式、Python事件处理基础	事件Schema定义、简单事件总线
管道篇	第9-16章	Kafka/Pulsar集成、事件序列化、分区与消费语义	可生产消费的事件管道
计算篇	第17-24章	流式坏账率算法、时间窗口、状态管理、回测引擎	实时坏账率计算服务 + 回测框架
实战篇	第25-30章	监控仪表盘、告警规则、混沌工程、生产部署	完整监控系统原型

为了获得最佳学习体验，建议你具备以下基础：

课程中主要使用的技术栈如下：

注意：本课程不要求你事先精通Kafka或流处理框架。我们会在管道篇和计算篇中，从零开始搭建环境并逐步深入。但如果你能提前在本地安装Docker，会大大缩短环境准备时间。

坏账率监控从“批处理快照”走向“事件驱动实时流”，不是技术上的炫技，而是业务对时效性、可追溯性和可回测性的刚性需求。本课程将带你完整经历从事件建模到生产部署的全过程，最终交付一个可运行的、基于事件驱动架构的坏账率回测监控系统。