1. 课程导论：风控模型告警阈值的重要性、阈值设定对业务的影响、课程整体框架与学习目标
1.1 为什么告警阈值是风控模型的“命门”？
在信贷、支付、反欺诈等金融场景中，风控模型输出的是一个风险评分或违约概率。然而，模型本身并不会直接“拒绝”或“通过”一笔交易——真正做出决策的，是告警阈值。阈值将连续的风险分数切分为“正常”与“告警”两个离散动作域，决定了哪些用户会被拦截、哪些会被放行。
阈值设定不当带来的后果往往是系统性的：
- 阈值过高：模型几乎不告警，大量高风险交易被放行，导致坏账率飙升、监管处罚风险增加。
- 阈值过低：模型频繁告警，大量低风险用户被误拦，造成客户流失、运营成本激增、通过率断崖式下跌。
- 阈值静态不变：随着客群迁移、欺诈手法演变，原有阈值逐渐失效，模型性能在不知不觉中退化。
核心观点： 一个优秀的模型如果没有匹配的阈值策略，其业务价值可能归零；而一个中等水平的模型配上精准调优的阈值，往往能产生远超预期的风控效果。
1.2 阈值设定对业务指标的直接影响
阈值并非孤立的技术参数，它直接牵动风控与业务之间的平衡。下表展示了阈值移动对关键指标的影响方向：
| 业务指标 | 阈值上调（更严格） | 阈值下调（更宽松） |
|---|---|---|
| 告警率 | 上升 | 下降 |
| 通过率 | 下降 | 上升 |
| 坏账率 / 欺诈损失 | 下降 | 上升 |
| 人工审核工作量 | 大幅上升 | 下降 |
| 客户转化率 | 下降 | 上升 |
| 模型区分度（KS / AUC） | 不变（但业务效用改变） | 不变（但业务效用改变） |
实践提示： 阈值调优的本质是在“风险损失”与“业务增长”之间寻找最优折中点。没有绝对正确的阈值，只有与当前风险偏好、成本结构最匹配的阈值。
1.3 课程整体框架
本课程按照“认知 → 方法 → 实战 → 监控”的逻辑递进，共分为四个模块：
- 基础篇（第1-5章）：阈值概念、评价指标（FPR/TPR/KS/捕获率）、混淆矩阵与成本矩阵。
- 方法篇（第6-15章）：单阈值设定（Youden Index、成本最小化）、多阈值策略、动态阈值、分群阈值、概率校准对阈值的影响。
- 实战篇（第16-25章）：基于Python的阈值搜索与回测、模拟退火与贝叶斯优化调参、AB测试框架、阈值变更的灰度发布流程。
- 监控篇（第26-30章）：阈值漂移检测、PSI与CSI联动告警、自动阈值调整机制、模型退役与阈值重置。
1.4 学习目标
完成本课程后，学员应具备以下能力：
- 认知层面：理解阈值不是模型参数，而是业务决策参数；能够从成本、收益、客群结构三个维度分析阈值影响。
- 方法层面：掌握至少5种阈值设定方法（Youden Index、成本最小化、KS最大化、捕获率曲线、分位数法），并能根据业务场景选择合适方法。
- 实战层面：能够使用Python编写阈值搜索与回测脚本，独立完成一次完整的阈值调优项目。
- 监控层面：能够设计阈值漂移监控看板，建立阈值自动调整的触发机制。
前置要求： 学员需具备基础的机器学习分类模型知识（逻辑回归、决策树、评分卡），了解混淆矩阵、ROC曲线、KS统计量等基本评估指标。本课程不涉及模型训练本身，聚焦于模型产出后的阈值决策环节。