1. 课程导论：什么是定价模型稳定性、为什么需要巡检、课程目标与学习路径

1.1 什么是定价模型稳定性

在量化风控与金融数据科学领域，定价模型稳定性（Pricing Model Stability）是指模型在时间维度上对风险定价输出的一致性与可预测性。一个稳定的定价模型，在客群结构、宏观经济、业务策略未发生剧烈变化时，其评分分布、违约概率排序、定价区间应保持相对恒定。

稳定性并非要求模型“一成不变”，而是强调模型输出波动在可接受的统计阈值内，且波动原因可解释、可监控、可回溯。

1.2 定价模型稳定性的三个维度

1.3 为什么需要巡检

定价模型一旦上线，并非“一劳永逸”。客群行为、市场环境、监管政策的变化都会导致模型性能衰退。缺乏系统性巡检，可能引发以下风险：

• 风险误判： 模型高估或低估违约概率，导致定价偏离实际风险，造成损失或客群流失。
• 监管合规风险： 金融监管机构（如巴塞尔委员会、央行）要求模型持续监控，稳定性不达标可能面临处罚。
• 业务决策失效： 基于不稳定模型制定的授信策略、额度管理、利率定价可能失效，影响资产质量。
• 模型迭代滞后： 无法及时发现模型退化，错失优化窗口，导致模型长期带病运行。

1.4 课程目标与学习路径

本课程旨在帮助学员建立从理论到实战的定价模型稳定性巡检能力，覆盖以下核心目标：

1. 理解原理： 掌握稳定性指标的统计学基础与业务含义。
2. 掌握工具： 熟练使用 Python（pandas、scipy、sklearn）进行稳定性计算与可视化。
3. 实战巡检： 能够独立搭建自动化巡检框架，输出巡检报告。
4. 问题诊断与修复： 识别稳定性问题根因，制定模型调优或重构方案。

学习路径分为四个阶段，建议按顺序推进：

1.5 定价模型稳定性巡检整体框架

下图展示了定价模型稳定性巡检的完整流程，从数据输入到最终决策输出，形成闭环监控体系：

1.6 课程特色与学习建议

• 代码驱动： 每章提供可运行的 Python 代码片段，学员可复现所有指标计算与图表。
• 真实案例： 基于脱敏的消费金融定价数据，模拟实际巡检场景。
• 模板化输出： 提供标准巡检报告模板，可直接用于工作汇报。
• 避坑指南： 总结常见稳定性误判场景与处理策略。