01
信用风险概述
什么是信用风险、违约概率(PD)的定义、信用风险在现代金融中的重要性、监管要求（巴塞尔协议）。
巴塞尔PD定义
02
违约概率建模基础
PD模型的目标、区分好客户与坏客户、建模数据集的结构（样本与特征）、标签定义（违约窗口期）。
样本结构标签窗口
03
数据准备与清洗
数据来源（内部数据、征信数据、第三方数据）、缺失值处理、异常值检测、数据标准化与归一化。
缺失值归一化
04
探索性数据分析(EDA)
单变量分析（分布、统计量）、双变量分析（违约率与特征的关系）、相关性矩阵、可视化技巧。
相关性可视化
05
特征工程基础
数值型特征处理（分箱、对数变换）、类别型特征编码（独热编码、标签编码）、WOE编码与IV值计算。
WOEIV
06
逻辑回归模型（上）
逻辑回归原理、Sigmoid函数、极大似然估计、模型可解释性优势。
SigmoidMLE
07
逻辑回归模型（下）
Python实现（statsmodels/sklearn）、模型训练与参数调优、系数解读与业务含义。
sklearn系数解读
08
决策树模型
决策树原理（信息增益、基尼系数）、过拟合问题、剪枝策略、在信用评分中的应用。
剪枝基尼
09
随机森林模型
集成学习思想、Bagging原理、随机森林的构建、特征重要性排序。
Bagging特征重要性
10
梯度提升树（XGBoost/LightGBM）
Boosting原理、XGBoost核心参数、LightGBM的优化技巧、实战对比。
XGBoostLightGBM
11
模型评估指标（上）
混淆矩阵、准确率、精确率、召回率、F1分数、在信贷场景下的取舍。
混淆矩阵F1
12
模型评估指标（下）
ROC曲线与AUC、KS统计量、提升图(Lift Chart)、模型稳定性指标(PSI)。
AUCPSI
13
训练集与测试集划分
时间序列划分 vs 随机划分、交叉验证策略、避免数据泄露。
交叉验证数据泄露
14
样本不平衡处理
信贷场景中的不平衡问题、过采样(SMOTE)、欠采样、代价敏感学习。
SMOTE代价敏感
15
评分卡构建（上）
评分卡原理、评分卡刻度（PD与分数的映射）、评分卡分段与分值分配。
刻度映射分段
16
评分卡构建（下）
Python实现评分卡、评分卡输出与业务应用、评分卡监控。
Python实现监控
17
模型验证与校准
概率校准（Platt缩放、等渗回归）、校准曲线、Brier分数。
PlattBrier
18
模型部署与上线
模型序列化（pickle/ONNX）、API服务搭建（Flask/FastAPI）、实时评分与批量评分。
ONNXFastAPI
19
模型监控与维护
模型衰退检测、数据漂移（特征漂移、标签漂移）、模型重训练策略。
数据漂移重训练
20
拒绝推断
拒绝推断的必要性、硬截断法、软截断法、外推法、在建模中的应用。
硬截断外推法
21
多分类与多状态模型
多分类违约预测（好、逾期、坏）、生存分析模型(Cox比例风险模型)简介。
Cox多分类
22
深度学习在信用风险中的应用
神经网络基础、TabNet、自编码器用于异常检测、可解释性挑战。
TabNet自编码器
23
时间序列与宏观经济因子
宏观经济对违约率的影响、压力测试场景、Merton模型简介。
压力测试Merton
24
图神经网络与关系网络
社交网络与担保网络、图神经网络(GNN)在反欺诈中的应用、关系特征提取。
GNN反欺诈
25
可解释AI(XAI)在风控中
SHAP值、LIME、特征重要性可视化、监管对可解释性的要求。
SHAPLIME
26
信贷审批决策引擎
决策引擎架构、规则引擎与模型融合、人工干预与自动化决策。
规则引擎自动化
27
贷后管理与催收模型
贷后风险预警、催收评分卡、失联预测模型、客户挽回策略。
催收评分卡失联预测
28
反欺诈模型
欺诈检测与信用风险的区别、异常交易检测、设备指纹与行为序列模型。
设备指纹行为序列
29
案例实战（上）
真实信贷数据集加载与EDA、特征工程全流程、基线模型建立。
EDA基线模型
30
案例实战（下）
模型调优与集成、评分卡输出、模型评估报告撰写、业务建议与总结。
模型集成评估报告