1. 课程导论：坏账率哨兵的定义、Drift Monitoring 在风控中的核心价值、课程目标与学习路径
1.1 坏账率哨兵：风控回测的最后一道防线
在信贷风控模型的生命周期中，离线回测（Backtesting）是验证模型有效性的核心环节。然而，传统回测往往假设“历史即未来”，忽略了模型上线后数据分布与业务环境的变化。坏账率哨兵（Bad Rate Sentinel）正是为解决这一盲区而设计的实时监控机制——它通过持续追踪回测预期坏账率与实际表现坏账率之间的偏差，在模型失效或策略失控前发出预警。
核心定义：坏账率哨兵是一套基于统计假设检验与分布漂移检测的监控系统，其输入为回测阶段预测的坏账概率分布与实时观测到的逾期/坏账标签，输出为“回测预期是否仍然可信”的哨兵信号。
| 维度 | 传统回测监控 | 坏账率哨兵 |
|---|---|---|
| 监控对象 | 模型评分（Score）分布 | 坏账率（Bad Rate）实际 vs 预期 |
| 检测粒度 | 整体分布统计量（均值、方差） | 分桶/分层的漂移显著性检验 |
| 预警目标 | 模型稳定性（PSI） | 回测假设是否失效（坏账率哨兵） |
| 业务动作 | 模型重训或校准 | 紧急策略熔断、回测结果废弃 |
1.2 Drift Monitoring 在风控中的核心价值
Drift Monitoring（分布漂移监控）是坏账率哨兵的技术内核。它不局限于监控模型分数本身，而是聚焦于“回测预期坏账率”与“实际坏账率”之间的分布差异。这种差异可能源于客群迁移、宏观经济变化、欺诈模式演变或策略执行偏差。
关键洞察：模型分数稳定（PSI 合格）并不代表坏账率稳定。当分数与坏账率的映射关系发生漂移时，回测结果将完全失效。Drift Monitoring 直接检测坏账率分布，比 PSI 更贴近业务损失。
三大核心价值
- 早期预警：在坏账率显著恶化前（通常领先 1-2 个账期），通过分布漂移统计量发出哨兵信号，为风控团队争取策略调整窗口。
- 回测可信度评估：量化回测预期与实际表现之间的偏差程度，为模型上线决策提供“回测置信度”指标，避免盲目依赖历史回测结果。
- 自动化熔断机制：当漂移超过预设阈值时，自动触发策略熔断（如暂停自动审批、降额、回退备用模型），减少人工决策延迟。
| 监控维度 | 传统方法（PSI） | Drift Monitoring（哨兵） |
|---|---|---|
| 检测对象 | 模型分数分布 | 坏账率分布（分桶/分群） |
| 统计方法 | PSI（群体稳定性指标） | PSI + KS + 卡方检验 + 贝叶斯结构漂移 |
| 业务敏感度 | 低（分数稳定但坏账率可能已漂移） | 高（直接反映损失变化） |
| 预警时效 | 滞后（通常月度监控） | 实时/准实时（日级或小时级） |
| 可解释性 | 仅告知分布变化 | 定位漂移发生的客群分桶与特征维度 |
1.3 课程目标与学习路径
本课程旨在培养学员从理论到工程落地的完整能力，使其能够独立设计、实现并部署一套基于 Drift Monitoring 的坏账率哨兵系统。课程采用“原理 + 代码 + 案例”三合一的教学模式，覆盖以下核心目标：
课程目标：学完本课程后，学员将能够：(1) 理解分布漂移检测的统计学原理；(2) 使用 Python 实现 PSI、KS、卡方检验、贝叶斯漂移检测算法；(3) 构建端到端的坏账率哨兵监控流水线；(4) 设计哨兵信号的阈值体系与熔断策略。
学习路径概览
| 阶段 | 章节范围 | 核心内容 | 实践产出 |
|---|---|---|---|
| 基础篇 | 第 1-5 章 | 坏账率哨兵定义、分布漂移数学基础、PSI/KS 实现 | PSI 计算函数、KS 检验脚本 |
| 进阶篇 | 第 6-12 章 | 卡方检验、贝叶斯结构漂移、多维度分桶监控 | 漂移检测算法库、分桶监控模块 |
| 工程篇 | 第 13-20 章 | 哨兵流水线架构、实时数据接入、阈值体系设计 | 端到端哨兵系统（Python + SQL） |
| 实战篇 | 第 21-25 章 | 回测坏账率哨兵案例、熔断策略模拟、A/B 测试 | 完整项目报告与可部署代码 |
| 扩展篇 | 第 26-30 章 | 多模型哨兵、联邦学习场景、生产环境运维 | 生产级监控方案设计 |
学习建议：本课程要求学员具备基础的 Python 编程能力（pandas、numpy、scipy）以及基本的统计学知识（假设检验、分布概念）。建议每章完成后立即运行配套的 Jupyter Notebook 代码，并在自己的数据集上进行实验，以加深对漂移检测行为的理解。