📚 课程目录第1章课程导论

1. 课程导论：量化策略坏账率漂移的定义、监控哨兵的概念、课程目标与学习路径

1.1 量化策略坏账率漂移：定义与业务本质

在金融科技信贷业务中，量化策略（如申请评分卡、行为评分卡、催收策略）通常基于历史数据训练，并假设未来客群分布与模型训练集保持一致。当这一假设被打破，策略在线上实际表现与离线预期出现系统性偏差时，即发生坏账率漂移。

  核心定义：坏账率漂移（Bad Rate Drift）是指量化策略在持续部署过程中，因客群结构、宏观经济、欺诈模式或数据质量变化，导致实际坏账率显著偏离策略设计时设定的预期坏账率阈值或置信区间。

漂移并非偶发噪声，而是持续恶化的信号。根据漂移来源，可归纳为以下四类：

漂移类型	驱动因素	典型场景	监控难度
客群漂移	获客渠道变更、客群下沉	新渠道流量激增，但客群收入结构劣化	中
经济周期漂移	GDP增速放缓、失业率上升	疫情冲击导致多头借贷客户集中违约	高
欺诈模式漂移	黑产工具升级、团伙攻击	身份冒用从单点攻击转为团伙串联	极高
数据质量漂移	埋点变更、字段缺失率上升	APP版本升级导致收入字段采集中断	低

业务警示：坏账率漂移的早期发现窗口通常只有 2–4 周。若未及时干预，坏账率可能从基线 3% 飙升至 8%–12%，直接导致组合亏损。被动响应 vs 主动哨兵监控，是成熟风控体系与初级风控体系的分水岭。

1.2 监控哨兵：概念与架构角色

“监控哨兵”并非单一工具，而是一套实时 + 准实时 + 离线三层联动的监控体系。它像雷达一样持续扫描策略表现，在坏账率即将突破容忍边界时发出预警，并提供归因线索。

哨兵体系的核心能力包括：

实时检测：对当日放款订单的早期逾期率进行滚动监测，使用 CUSUM 或 EWMA 控制图识别异常波动。
准实时归因：当检测到漂移信号后，自动拆解客群维度（渠道、产品、地区、额度段），定位漂移源头。
离线复盘：按周/月生成坏账率漂移报告，对比预期 vs 实际，评估策略是否需要迭代。

1.3 课程目标：从被动响应到主动防御

本课程旨在帮助量化风控从业者建立一套可落地、可复现、可扩展的坏账率漂移监控体系。完成学习后，你将具备以下能力：

定义与量化漂移：使用统计指标（PSI、CUSUM、KS 漂移）量化策略表现偏差。
搭建监控哨兵：基于 Python + SQL + 可视化工具，从零构建实时 + 离线监控看板。
归因与决策：当漂移发生时，快速定位根因，并输出策略调整或模型回退方案。
自动化与告警：配置企业微信/钉钉机器人，实现漂移自动告警与日报推送。

适用人群：风控策略分析师、模型开发工程师、金融科技架构师、风控产品经理。建议具备基础 Python 编程能力（pandas、numpy）和 SQL 查询经验。

1.4 学习路径：课程地图与章节结构

课程共 30 章，分为四大模块。建议按顺序学习，每章包含理论讲解、代码实战与课后练习。

1.5 技术栈与前置准备

本课程涉及的代码与工具链如下，建议提前安装配置：

类别	工具/库	版本建议	用途
编程语言	Python	≥ 3.8	核心开发语言
数据处理	pandas, numpy	最新稳定版	数据清洗、聚合、统计计算
统计监控	scipy, statsmodels	≥ 1.6	PSI、KS、CUSUM 计算
可视化	matplotlib, plotly	最新稳定版	控制图、漂移趋势图、归因分析图
数据库	MySQL / PostgreSQL	≥ 5.7	存储策略表现数据
告警	企业微信 / 钉钉机器人	—	实时推送漂移预警

  快速开始：课程第 2 章将提供完整的环境安装脚本（requirements.txt + conda env），确保所有依赖一键就绪。无需在导论阶段花费过多时间配置环境。

1.6 课程特色与交付物

真实数据模拟：基于脱敏后的消费金融数据集，包含 50 万+ 订单记录、12 个客群维度、24 个月时间跨度。
可复现代码：每章提供完整 Jupyter Notebook，代码注释覆盖中英文，关键函数附带单元测试。
哨兵系统模板：第 15 章交付可直接部署的监控哨兵 Web 应用（Flask + Dash），支持看板交互与告警配置。
案例库：收录 5 个真实漂移案例（渠道变更、疫情冲击、欺诈团伙、数据断流、产品改版），覆盖 80% 常见场景。

学习建议：不要跳过基础篇直接进入实战。PSI 和 CUSUM 的数学原理虽然简单，但参数调优（窗口大小、阈值倍数）直接影响哨兵灵敏度。建议每章完成后，用自己的数据跑一遍代码，加深理解。