1. 课程导论：额度定价稳定性巡检的背景、目标与课程整体架构
1.1 为什么需要额度定价稳定性巡检？
在信贷风控体系中，额度定价模型是连接风险识别与业务收益的核心引擎。模型输出的授信额度与利率水平，直接影响客户体验、资产质量与利润表现。然而，模型在部署上线后并非一成不变——宏观环境波动、客群结构漂移、数据源变更、策略调整等因素，都会导致模型输出偏离预期，引发“定价失稳”。
额度定价稳定性巡检，正是为了系统性地监控、预警与诊断这种失稳风险而设计的常态化机制。它不同于一次性的模型验证，而是贯穿模型全生命周期的持续观测与迭代闭环。
核心痛点： 模型上线后，额度与利率的分布是否发生突变？风险排序是否依然有效？定价策略是否仍符合业务目标？这些问题若不能及时回答，轻则造成收益损失，重则引发系统性风险。
1.2 课程目标
本课程旨在帮助学员掌握一套可落地的、基于 Python 的额度定价稳定性巡检方法体系。完成学习后，学员将能够：
- 理解稳定性巡检的理论基础： 掌握 PSI、CSI、特征分布漂移、模型输出偏移等核心概念与评估指标。
- 搭建自动化巡检流水线： 使用 Python 实现数据采集、指标计算、阈值判断、报告生成的全流程。
- 诊断与归因分析： 定位导致稳定性下降的具体原因（如特征缺失、客群变化、策略冲突）。
- 输出可解释的巡检报告： 生成面向业务、风控、技术团队的差异化可视化报告。
- 建立持续监控机制： 设计巡检频率、预警规则与迭代触发条件，形成管理闭环。
1.3 课程整体架构
本课程共分为 六大模块、30 个章节，从基础概念到实战落地，层层递进。整体架构如下表所示：
| 模块 | 章节范围 | 核心内容 |
|---|---|---|
| 模块一：基础篇 | 第 1-5 章 | 稳定性巡检背景、指标体系、数据准备与 Python 环境搭建 |
| 模块二：指标计算篇 | 第 6-12 章 | PSI、CSI、特征分布检验、模型输出偏移量计算与实现 |
| 模块三：诊断归因篇 | 第 13-18 章 | 漂移定位、特征重要性变化、策略冲突检测与根因分析 |
| 模块四：可视化与报告篇 | 第 19-23 章 | Matplotlib/Plotly 动态图表、自动化报告生成、邮件/钉钉推送 |
| 模块五：实战案例篇 | 第 24-28 章 | 消费贷、小微贷、信用卡场景的完整巡检案例与代码实战 |
| 模块六：进阶与运维篇 | 第 29-30 章 | 大规模分布式巡检、模型迭代触发策略、生产环境部署 |
学习建议： 基础篇与指标计算篇建议按顺序学习；实战案例篇可结合自身业务场景选择性深入。每章均配有可运行的 Python 代码与数据集，建议边学边练。
1.4 稳定性巡检的核心流程
一次完整的额度定价稳定性巡检，通常遵循以下标准化流程。该流程也是本课程后续章节的实践主线：
- 数据采集与校验： 获取模型上线后的实时/离线评分数据、特征数据与标签数据，进行完整性、时效性校验。
- 指标计算： 计算 PSI（群体稳定性指标）、CSI（特征稳定性指标）、模型输出均值/分位数偏移量等。
- 阈值判断与预警： 将计算指标与预设阈值（如 PSI > 0.1 触发黄色预警，> 0.25 触发红色预警）进行比较，输出预警等级。
- 归因分析： 若触发预警，进一步分析是哪些特征、哪些客群分片导致了漂移。
- 报告生成与分发： 自动生成包含图表、指标明细、归因结论的巡检报告，推送给相关团队。
- 决策与迭代： 根据报告结论，决定是否需要重新训练模型、调整策略或进行人工干预。
1.5 关键概念速览
在进入后续章节前，先建立几个核心概念的初步认知。这些概念将在后续章节中逐一深入展开：
| 概念 | 英文缩写 | 简要定义 | 典型阈值 |
|---|---|---|---|
| 群体稳定性指标 | PSI | 衡量模型评分分布相对于基准分布的整体偏移程度 | < 0.1 稳定；0.1-0.25 需关注；> 0.25 不稳定 |
| 特征稳定性指标 | CSI | 衡量单个特征分布相对于基准分布的偏移程度 | 通常 < 0.1 视为稳定 |
| 模型输出偏移量 | — | 模型预测值（额度/利率）均值或分位数的绝对/相对变化 | 根据业务容忍度设定，如均值偏移 > 5% 预警 |
| 特征重要性漂移 | — | 模型特征重要性排序或贡献度的显著变化 | Top-5 特征排名变动 > 2 位需分析 |
注意： 阈值并非一成不变。不同业务场景（如消费贷 vs 小微贷）、不同模型阶段（冷启动 vs 成熟期）应设置差异化阈值。本课程将在实战案例中给出具体调参建议。
1.6 课程配套环境与代码规范
本课程所有代码均基于 Python 3.8+，核心依赖库如下：
# 核心依赖
pandas==1.5.3
numpy==1.24.3
scipy==1.10.1
scikit-learn==1.2.2
matplotlib==3.7.1
plotly==5.14.1
openpyxl==3.1.2
smtplib # 邮件推送（标准库）
代码风格遵循 PEP 8，所有巡检函数均封装为可复用的模块。例如，一个基础的 PSI 计算函数结构如下：
def calculate_psi(expected, actual, buckets=10):
"""
计算群体稳定性指标 (PSI)
Parameters:
expected: array-like, 基准分布
actual: array-like, 当前分布
buckets: int, 分箱数
Returns:
psi_value: float, PSI 值
"""
import numpy as np
from scipy.stats import percentileofscore
# 基于基准分布确定分箱边界
percentiles = np.linspace(0, 100, buckets + 1)
bin_edges = np.percentile(expected, percentiles)
bin_edges[-1] = np.inf # 确保最大值落入最后一箱
# 计算各箱占比
expected_counts = np.histogram(expected, bins=bin_edges)[0]
actual_counts = np.histogram(actual, bins=bin_edges)[0]
expected_pct = expected_counts / len(expected)
actual_pct = actual_counts / len(actual)
# 避免除零
expected_pct = np.clip(expected_pct, 1e-6, 1)
actual_pct = np.clip(actual_pct, 1e-6, 1)
# PSI 公式
psi_value = np.sum((actual_pct - expected_pct) * np.log(actual_pct / expected_pct))
return psi_value
动手实践： 建议读者在本地搭建 Python 虚拟环境，并安装上述依赖库。后续章节将基于此环境逐步构建完整的巡检系统。
1.7 本章小结
本章作为课程导论，明确了额度定价稳定性巡检的业务背景、学习目标与课程架构。核心要点包括：
- 稳定性巡检是模型上线后的常态化监控机制，旨在及时发现并诊断模型输出偏移。
- 课程覆盖从指标计算到生产部署的完整链路，共 30 章、六大模块。
- 巡检流程遵循“采集→计算→预警→归因→报告→迭代”的闭环逻辑。
- PSI、CSI、模型输出偏移量是核心监控指标，阈值需结合业务场景动态调整。