1. 课程导论：为什么额度模型需要关注特征稳定性？模型偏移的代价与行业案例
1.1 特征稳定性：额度模型的“生命线”
在信贷风控领域，额度模型并非一成不变的静态规则。它依赖大量历史特征（如收入、负债、消费行为、多头借贷等）来预测借款人的违约概率与还款能力。然而，宏观经济波动、客群结构变化、业务策略调整或数据采集方式变更，都会导致特征分布发生偏移。当特征分布与模型训练时的分布出现显著差异时，模型预测能力将急剧下降，这种现象称为模型偏移或特征稳定性失效。
额度模型直接决定授信金额与利率，一旦偏移，轻则造成审批偏差，重则引发大规模坏账。因此，特征稳定性分析是额度模型上线后持续监控的核心环节，也是模型生命周期管理的基石。
1.2 模型偏移的三种典型类型
| 偏移类型 | 定义 | 典型触发原因 | 对额度模型的影响 |
|---|---|---|---|
| 概念偏移 | 特征与目标变量之间的关系发生变化 | 宏观经济下行、监管政策调整、客群风险偏好突变 | 原有额度公式失效，高分段客户违约率上升 |
| 特征分布偏移 | 特征本身的统计分布（均值、方差、分位数）发生改变 | 数据源切换、用户行为习惯变化、季节性因素 | 模型对特征权重的依赖失准，额度计算偏差 |
| 标签偏移 | 目标变量（如逾期率）的分布发生系统性变化 | 催收策略优化、核销规则变更、外部经济环境恶化 | 模型校准失效，风险排序能力下降 |
1.3 模型偏移的代价：从业务到合规
模型偏移带来的代价是多维度的，不仅影响当期利润，还可能引发监管风险与品牌声誉损失。以下表格总结了主要代价维度：
| 代价维度 | 具体表现 | 量化示例 |
|---|---|---|
| 直接经济损失 | 坏账率上升、审批通过率异常、额度误配 | 偏移导致坏账率从 2% 升至 5%，损失数千万 |
| 运营成本增加 | 人工复核量激增、模型重训频率提高 | 每月额外增加 200 人天的人工审核工作量 |
| 客户体验恶化 | 优质客户被拒或额度偏低，劣质客户获得高额度 | 客户投诉率上升 30%，流失率增加 15% |
| 监管合规风险 | 模型歧视、不公平授信、违反消费者保护法规 | 监管约谈、罚款、限制业务扩张 |
| 模型治理失效 | 模型版本管理混乱、监控体系形同虚设 | 审计发现模型偏移超过 3 个月未被发现 |
1.4 行业案例：偏移引发的“黑天鹅”事件
以下两个真实案例，直观展示了特征稳定性失效对信贷业务的冲击：
案例一：某消费金融公司“多头借贷”特征偏移
某头部消费金融公司使用“近 30 天多头借贷查询次数”作为额度模型的核心特征。2022 年 Q3，由于多家平台收紧风控，用户多头借贷行为骤减，该特征均值从 3.2 次降至 1.1 次。模型未及时感知这一偏移，导致大量原本应被拒绝的高风险用户因“多头特征值偏低”而获得高额度。结果该季度坏账率飙升 180%，直接损失超过 2 亿元。
案例二：某银行“收入稳定性”特征数据源切换
某银行将额度模型中的“收入稳定性”特征从银行流水数据切换为税务数据。由于税务数据存在 3 个月延迟，且覆盖人群与银行流水不一致，特征分布发生系统性偏移。模型对收入稳定性的权重被错误放大，导致自由职业者群体额度被严重低估，而部分高收入但税务记录不完整的客户被过度授信。该偏移持续 6 个月后才被监控发现，期间累计损失约 8000 万元。
1.5 特征稳定性监控的行业最佳实践框架
下图展示了额度模型特征稳定性监控的完整闭环流程，涵盖数据采集、偏移检测、根因分析、模型更新与业务验证五个关键环节：
1.6 本课程的核心内容与学习路径
本课程将围绕 LightGBM 特征稳定性分析 展开，从理论到实践，帮助学员掌握额度模型偏移的检测、诊断与修复方法。课程核心模块包括：
- 特征稳定性指标详解： PSI、CSI、特征重要性漂移等量化方法
- LightGBM 模型特性与偏移敏感性： 树模型对特征分布变化的响应机制
- 偏移检测实战： 使用 Python 实现 PSI 计算、分布对比与可视化
- 根因分析技术： 基于 SHAP 与特征重要性的偏移归因
- 模型更新策略： 增量学习、重训练、特征工程调整
- 监控体系搭建： 自动化监控告警与模型治理最佳实践