1. 批次偏移概述
什么是模型批次偏移
模型批次偏移（Batch Shift / Population Shift）是指模型在开发阶段使用的训练数据分布，与上线后实际生产环境中的实时数据分布之间出现系统性差异的现象。在额度模型中，这种偏移通常表现为特征分布、目标变量分布或特征与目标之间关系的变化。
核心定义：批次偏移 = 训练集分布 ≠ 生产集分布，且差异随时间或批次累积扩大。
额度模型中的批次偏移可细分为三类：
| 偏移类型 | 定义 | 额度模型典型表现 |
|---|---|---|
| 协变量偏移 | 特征分布 P(X) 改变，但条件分布 P(Y|X) 不变 | 用户收入分布因经济周期变化，但收入与违约的关系不变 |
| 先验概率偏移 | 目标变量分布 P(Y) 改变 | 整体违约率从 2% 上升至 5% |
| 概念偏移 | 特征与目标的关系 P(Y|X) 改变 | 过去高收入=低风险，现在高收入群体因行业波动风险上升 |
为什么在额度模型中批次偏移是致命问题
额度模型直接决定授信决策和资金风险，批次偏移带来的影响具有放大效应和滞后性，具体表现为：
- 风险定价失效：偏移导致模型高估或低估违约概率，授信额度偏离真实风险水平，造成损失或客户流失。
- 决策一致性破坏：同一客户在不同批次申请，因模型分布变化获得不同额度，引发合规与公平性问题。
- 监控滞后陷阱：额度模型通常按月或按季度重训，偏移在早期难以察觉，等到业务指标恶化时已造成大量坏账。
- 特征重要性漂移：原本重要的特征（如收入、负债比）因分布偏移失去区分能力，模型依赖的决策逻辑失效。
⚠ 致命性总结：额度模型中的批次偏移不是“模型变差一点”，而是“决策基准系统性偏离”——每偏移 1% 的违约率误判，可能对应数千万甚至数亿的信贷损失。
课程目标与学习路径
本课程旨在帮助风控建模人员系统掌握使用 LightGBM 进行特征稳定性分析的方法，从而在额度模型全生命周期中主动发现、量化并应对批次偏移。
| 模块 | 核心目标 | 关键产出 |
|---|---|---|
| 基础篇 | 理解批次偏移原理与 LightGBM 特性 | 偏移检测指标体系、LightGBM 特征重要性解读 |
| 方法篇 | 掌握 PSI、特征分布对比、SHAP 稳定性分析 | 稳定性监控报表、偏移特征定位流程 |
| 实战篇 | 构建端到端批次偏移监控与预警系统 | 自动化监控脚本、偏移应对策略模板 |
| 进阶篇 | 处理多批次、多维度偏移与模型自适应 | 增量学习方案、特征工程修复指南 |
学习建议：建议先掌握基础篇中的 PSI（群体稳定性指标）计算逻辑和 LightGBM 特征重要性机制，这是后续所有分析方法的基石。实战篇的监控系统可直接复用于生产环境。