1. 课程导论：坏账率告警系统的业务价值、Backtrader在风控回测中的优势、课程整体架构与学习目标
1.1 坏账率告警系统的业务价值
在信贷、消费金融与供应链金融业务中，坏账率是衡量资产质量的核心指标。传统风控依赖静态阈值与事后统计，往往在风险暴露后才被动响应。坏账率告警系统通过实时监控与动态回测，将风险识别窗口前移，实现从“事后灭火”到“事前预警”的转变。
| 业务痛点 | 传统方案 | 告警系统方案 |
|---|---|---|
| 风险发现滞后 | 月度/季度报表统计 | 日级/实时滚动监控 |
| 阈值设定主观 | 经验值+人工调整 | 历史回测+量化校准 |
| 策略验证困难 | 上线后观察效果 | Backtrader离线回测验证 |
| 告警误报率高 | 单一指标触发 | 多因子复合告警逻辑 |
核心价值：坏账率告警系统将风控策略的迭代周期从“周/月”压缩至“小时/天”，并通过回测引擎量化策略的历史表现，显著降低误报率与漏报率。
1.2 Backtrader在风控回测中的优势
Backtrader 是 Python 生态中最成熟的事件驱动型回测框架之一。虽然其最初设计面向量化交易，但其灵活的策略-数据-分析器架构天然适配风控回测场景。以下是 Backtrader 在坏账率告警系统中的核心优势：
- 事件驱动架构：天然支持按日/按周的数据切片与告警触发逻辑，无需额外开发时间轮。
- 内置分析器：可直接复用 Sharpe、DrawDown 等分析器，也可自定义坏账率、迁徙率等风控指标。
- 数据适配灵活：支持 CSV、数据库、API 等多种数据源，方便接入信贷资产池数据。
- 策略与观察者分离：告警逻辑作为独立策略模块，回测与实盘共用同一套代码。
- 社区生态成熟：大量现成的指标库与扩展插件，降低开发成本。
| 对比维度 | 自研回测脚本 | Backtrader |
|---|---|---|
| 开发周期 | 2-3周 | 2-3天 |
| 策略复用性 | 低（硬编码逻辑） | 高（模块化策略类） |
| 回测性能 | 依赖手写循环 | 内置优化引擎 |
| 可视化支持 | 需额外集成 | 内置 plot 模块 |
1.3 课程整体架构与学习目标
本课程采用“业务理解 → 数据准备 → 策略开发 → 回测验证 → 系统部署”五段式教学法，确保学员从零搭建一套可用的坏账率告警回测系统。
课程架构总览
| 模块 | 章节范围 | 核心产出 |
|---|---|---|
| 基础篇 | 第1-5章 | 环境搭建、数据清洗、Backtrader核心概念 |
| 策略篇 | 第6-12章 | 坏账率计算、阈值策略、多因子告警逻辑 |
| 回测篇 | 第13-20章 | 历史回测、参数优化、过拟合检测 |
| 系统篇 | 第21-26章 | 实时数据接入、告警推送、可视化看板 |
| 实战篇 | 第27-30章 | 全流程项目实战、部署与运维 |
学习目标
- 掌握 Backtrader 核心机制：理解 Data Feed、Strategy、Analyzer、Observer 四大组件。
- 独立开发风控策略：能够编写坏账率计算、阈值告警、迁徙率监控等策略。
- 完成回测与优化：使用 Backtrader 内置分析器评估策略效果，并进行参数调优。
- 搭建告警系统原型：将回测策略迁移至准实时环境，实现邮件/钉钉/企业微信告警。
- 具备项目落地能力：独立完成从数据接入到告警输出的全链路开发。
学习建议：本课程每章均配有可运行的代码示例与数据集。建议学员边学边练，在本地 Jupyter 或 VS Code 中同步执行代码，以加深对 Backtrader 事件驱动机制的理解。
1.4 适用人群与前置知识
| 角色 | 前置要求 | 课程收益 |
|---|---|---|
| 风控数据分析师 | 熟悉 SQL、Python 基础 | 掌握量化回测方法，提升策略验证效率 |
| 量化开发工程师 | 了解 Backtrader 或类似框架 | 拓展风控领域应用场景 |
| 金融科技产品经理 | 了解信贷业务流程 | 理解告警系统技术实现，提升需求沟通效率 |
| 在校学生（金融/计算机） | Python 编程基础 | 获得完整的项目实战经验 |
注意事项：本课程不涉及深度学习或复杂机器学习模型，专注于规则引擎与统计方法的回测实现。学员需具备基本的 Python 编程能力（Pandas、NumPy 基础操作）。