1. 课程导论：贷后预警与尖峰告警的业务背景、XGBoost在风控中的优势、课程整体架构与学习目标

1.1 贷后预警：为什么是风控的“最后一道防线”？

在信贷全生命周期中，贷后管理直接决定资产损失率。传统贷后监控依赖人工排查或简单规则引擎（如逾期天数 > 30 触发催收），但这种方式存在三大致命缺陷：

• 滞后性：规则触发时风险已暴露，错过最佳干预窗口。
• 低覆盖率：只能识别已知风险模式，对新型欺诈或突发性还款能力恶化无能为力。
• 高误报率：单一阈值导致大量无效告警，消耗催收人力。

贷后预警的核心目标是在客户出现实质性逾期或违约之前，通过行为数据、交易流水、外部征信等信号，提前识别出“即将变坏”的客户，并输出可量化的风险等级与干预建议。

1.2 尖峰告警：为什么需要单独处理？

在贷后监控中，有一类特殊场景被称为“尖峰告警”——指客户在短时间内（如 1-3 天）出现多个风险信号集中爆发，例如：

• 同一设备短时间内关联多个申请账号（设备聚集）。
• 还款账户连续大额资金快进快出（洗钱或资金链断裂前兆）。
• 客户在多个平台同时申请展期或债务重组（多头共债恶化）。

这类事件具有突发性、高破坏性、低频率的特点，传统时序模型（如 ARIMA、LSTM）难以捕捉这种“脉冲式”风险。XGBoost 凭借其对特征交互的自动挖掘能力和对不平衡数据的鲁棒性，成为尖峰告警建模的首选算法。

1.3 XGBoost 在风控中的核心优势

XGBoost 在金融风控领域长期占据“工业级标准模型”地位，其优势可归纳为以下四点：

1. 自动特征交互与非线性拟合：树模型天然支持特征交叉，无需手动构造多项式特征，对贷后数据中复杂的“信号组合”模式（如“频繁修改联系方式 + 大额消费 + 设备更换”）敏感度极高。
2. 内置正则化防止过拟合：L1/L2 正则化 + 列采样 + 早停机制，在样本量有限的尖峰告警场景中有效控制方差。
3. 缺失值自适应处理：贷后数据常存在大量缺失（如外部征信接口超时），XGBoost 自动学习缺失值的最佳分裂方向，无需额外填充。
4. 可解释性与业务落地：通过 SHAP 值或特征重要性排序，风控人员可直接定位“哪些信号组合触发了尖峰告警”，便于制定干预策略。

1.4 课程整体架构与学习目标

本课程共 30 章，采用“业务理解 → 特征工程 → 模型构建 → 部署监控”的完整闭环设计。学员将亲手搭建一套可用于生产环境的贷后尖峰告警系统。

1.5 学习目标与预期收益

完成本课程后，学员将具备以下能力：

• 业务能力：独立设计贷后尖峰告警的样本定义与评估标准，与业务方对齐告警策略。
• 建模能力：熟练使用 XGBoost 处理高不平衡、高维稀疏的贷后数据，AUC 达到 0.85+。
• 工程能力：将模型封装为实时 API，部署在 Docker 容器中，并搭建 PSI 监控与告警阈值自动调整流水线。
• 解释能力：利用 SHAP 向业务方解释“为什么这个客户触发了尖峰告警”，推动策略落地。