1. 项目背景与目标：金融坏账率现状、哨兵系统概念、课程目标与预期成果
1.1 金融坏账率现状与挑战
在消费金融与信贷业务高速发展的今天，坏账率（Non-Performing Loan Ratio, NPL）是衡量资产质量的核心指标。传统风控体系依赖静态规则与事后报表，面对市场行情剧烈波动时，往往出现“预警滞后、响应迟缓”的困境。
| 维度 | 传统风控痛点 | 行情坏账率哨兵目标 |
|---|---|---|
| 时效性 | T+1 或 T+7 出报表，无法实时感知 | 分钟级/小时级预警，缩短发现窗口 |
| 维度 | 依赖静态征信与历史行为 | 融合行情、交易、宏观等多维特征 |
| 模型 | 逻辑回归/评分卡，非线性拟合弱 | XGBoost 梯度提升，捕捉复杂交互 |
| 可解释性 | 黑盒或规则堆砌，难以定位根因 | 特征重要性 + SHAP 归因，辅助决策 |
关键数据： 据行业统计，行情驱动的坏账率波动在极端市场条件下（如 2020 年疫情、2022 年利率骤升）可导致 NPL 短期飙升 30%~80%。传统模型在此类场景下的 AUC 往往低于 0.65，而 XGBoost 结合行情特征后 AUC 可提升至 0.82 以上。
1.2 哨兵系统概念
“行情坏账率哨兵”是一套基于实时行情数据与机器学习模型的监控预警系统。它像哨兵一样持续扫描市场信号，在坏账率出现异常抬升前发出警报，为风控策略调整争取宝贵时间。
核心思想： 从“事后统计”转向“事前预测+事中监控”，将行情波动作为坏账率的前置指标，利用 XGBoost 学习非线性映射关系。
哨兵系统包含四大核心模块：
- 数据采集层： 对接行情源（利率、汇率、股指、商品价格）、交易流水、用户画像。
- 特征工程层： 构建行情衍生特征（波动率、乖离率、宏观因子滞后项）。
- 模型推理层： XGBoost 回归/分类模型，输出坏账率预测值与异常概率。
- 预警决策层： 阈值触发、归因分析、策略建议推送。
1.3 课程目标与预期成果
本课程旨在带领学员从零构建一套可落地的行情坏账率哨兵系统，核心目标如下：
- 掌握 XGBoost 在金融风控场景的完整建模流程：从数据清洗、特征工程、模型训练到评估部署。
- 学会融合行情特征：将利率、汇率、波动率等市场信号转化为有效预测因子。
- 构建实时预警流水线：基于 Python + XGBoost 实现哨兵系统的核心推理与告警逻辑。
- 具备模型可解释能力：使用 SHAP 分析特征贡献，输出可落地的风控策略建议。
| 阶段 | 预期成果 | 交付物 |
|---|---|---|
| 数据准备 | 行情 + 坏账历史数据集，含 50+ 衍生特征 | 清洗后的 CSV / Parquet 文件 |
| 模型训练 | XGBoost 坏账率预测模型，AUC ≥ 0.80 | 模型文件 (.pkl / .json) |
| 哨兵系统 | 实时预警脚本，支持阈值配置与归因输出 | Python 哨兵模块 + 日志 |
| 策略报告 | 特征重要性排序 + 典型场景归因分析 | PDF 报告 / Jupyter Notebook |
前置要求： 学员需具备 Python 基础、熟悉 pandas/sklearn 基本操作，了解 XGBoost 基本原理。本课程不涉及深度学习，重点聚焦树模型在结构化金融数据上的实战应用。
1.4 课程知识体系总览
为帮助学员建立全局视角，下图展示了本课程 30 章的核心知识脉络与依赖关系：
1.5 实战案例预览
在本课程中，我们将围绕一个典型场景展开：某消费金融平台在 2023 年 Q2 遭遇行情利率快速上行，导致部分客群坏账率从 2.1% 攀升至 3.8%。我们将使用 XGBoost 哨兵系统，提前 3 天发出预警，并定位出“利率敏感型”客群特征，辅助风控团队及时收紧授信策略。
课程特色： 所有代码均提供完整可运行版本，数据集为脱敏后的真实行情与坏账记录（约 10 万条样本，50+ 特征），学员可在本地或云端复现全部实验。