1. 课程导论：量化回测与坏账率哨兵的概念、Flink在风控领域的价值、课程目标与前置知识
1.1 为什么需要“坏账率哨兵”？
在消费金融与信贷业务中，坏账率是衡量资产质量的核心指标。传统风控体系通常依赖离线批处理（T+1 或 T+7）计算坏账率，导致风险信号严重滞后。当坏账率突然飙升时，业务往往已经蒙受数日甚至数周的损失。
本课程提出的“坏账率哨兵”，是一个基于 Apache Flink 构建的实时流处理系统。它能够在交易发生后的秒级窗口内，动态估算并预警坏账率异常波动，帮助风控团队从“事后复盘”转向“事中干预”。
核心痛点：离线批处理 → 滞后决策 → 风险敞口扩大；实时流处理 → 秒级预警 → 风险截断。
1.2 量化回测与坏账率哨兵的概念
| 概念 | 定义 | 在课程中的角色 |
|---|---|---|
| 量化回测 | 利用历史数据模拟风控策略的执行效果，评估策略的收益与风险指标。 | 验证哨兵预警规则的准确性，避免过拟合与误报。 |
| 坏账率哨兵 | 实时监控信贷资产质量，当坏账率超过动态阈值时自动触发告警或熔断。 | 课程的核心产出物，一个可运行的 Flink 流作业。 |
| 流处理 | 对无界数据流进行实时计算，支持事件时间、水位线、状态管理等机制。 | 实现哨兵秒级响应的技术底座。 |
1.3 Flink 在风控领域的核心价值
Flink 之所以成为实时风控的首选引擎，源于以下四大特性：
- 真正的流式架构：原生支持事件驱动，无需微批模拟，延迟低至毫秒级。
- 精确一次语义：结合 Checkpoint 机制，保证坏账率计算不重不漏，满足金融级审计要求。
- 事件时间与水位线：正确处理乱序到达的还款与逾期事件，避免因网络延迟导致指标失真。
- 丰富的状态管理：支持 Keyed State、广播状态、算子状态，轻松实现用户维度的滚动坏账率统计。
对比优势：相比 Spark Streaming 的微批模式，Flink 在风控场景中能提供更低的延迟和更精确的窗口语义；相比 Kafka Streams，Flink 拥有更完善的状态后端和容错机制。
1.4 课程目标
完成本课程后，你将能够：
- 独立设计并实现一个基于 Flink 的实时坏账率监控作业。
- 掌握量化回测方法论，对风控策略进行离线验证。
- 熟练运用事件时间、水位线、状态后端、CEP 等 Flink 高级特性。
- 构建完整的哨兵告警链路：Flink → Kafka → 告警服务。
1.5 前置知识要求
| 领域 | 具体要求 |
|---|---|
| Java / Scala | 熟悉基础语法、Lambda 表达式、泛型；能阅读 Flink DataStream API 代码。 |
| Flink 基础 | 了解 DataStream、KeyBy、Window、Sink 等核心概念；有 Flink 本地环境搭建经验。 |
| 风控基础 | 理解逾期天数（DPD）、坏账率（Bad Rate）、滚动率（Roll Rate）等基本指标。 |
| 消息队列 | 了解 Kafka 主题、生产者、消费者基本操作；课程会提供 Kafka 连接代码。 |
注意：本课程不从头讲解 Flink 安装与基础 API。如果你对 Flink 完全陌生，建议先完成官方“Flink 入门教程”或本系列的前置基础课程。
1.6 课程知识体系总览
下图展示了本课程的核心模块与数据流向：
1.7 课程章节速览
本课程共 30 章，分为以下五个阶段：
- 阶段一（第 1-5 章）：概念与基础环境搭建，包括 Flink 集群部署、Kafka 集成、数据模型定义。
- 阶段二（第 6-12 章）：核心流处理逻辑实现，涵盖事件时间、水位线、窗口聚合、状态管理。
- 阶段三（第 13-18 章）：坏账率哨兵高级特性，包括 CEP 异常检测、动态阈值、多流关联。
- 阶段四（第 19-24 章）：量化回测框架搭建，支持历史数据回放、策略评估、指标可视化。
- 阶段五（第 25-30 章）：生产化部署与优化，涉及 Checkpoint 调优、资源隔离、监控告警。
学习建议：建议按照章节顺序学习，每章结束后完成配套的代码练习。阶段二和阶段四是本课程的难点，需要重点投入时间理解窗口语义与回测逻辑。