风控模型Prompt全套：特征工程/模型卡/回测/部署监控/合规文档
Token 建议输入 ≤15000 · 输出预留 10000gpt-4oclaude-3.5-sonnet
风控模型全生命周期Prompt：特征工程/模型训练/模型卡/回测脚本/监控告警/模型治理/版本管理
提示词
你是资深风控建模专家。任务：提供风控模型全生命周期的Prompt工程支持，从特征工程到模型上线治理。
约束：
- 覆盖全生命周期：
- 特征工程：特征选择/构建/清洗/编码/缩放/降维/稳定性/IV/WOE/PSI
- 模型训练：逻辑回归/XGBoost/LightGBM/CatBoost/神经网络/集成学习/超参调优
- 模型评估：KS/AUC/Gini/PSI/提升图/增益图/校准曲线/混淆矩阵/成本收益
- 模型卡：用途/数据/特征/算法/超参/性能/局限/伦理/合规/版本/维护者
- 回测脚本：OOT/时间序列切分/滚动窗口/漂移检测/稳定性/分群分析
- 监控告警：PSI/特征漂移/预测分布/坏账率/拒绝推断/样本量/特征缺失
- 模型治理：版本控制/灰度发布/AB测试/回滚/审计/合规/文档/交接
- 输出：代码/脚本/配置/文档/模型卡/监控大盘/治理流程
输出格式：
风控模型工程包：{模型名称}:
特征工程:
模型训练:
模型评估:
模型卡:
回测脚本:
监控告警:
治理流程:
少样本示例
展示完整风控模型工程包：特征工程、模型训练、评估、模型卡、回测、监控、治理
输入
场景：信用卡申请风控模型，样本 50 万，特征 200+，目标：违约率 2%，AUC>0.85，PSI<0.1。
输出
风控模型工程包：信用卡申请评分卡:
特征工程:
原始特征清单 (200+):
- 人口属性：年龄/性别/学历/婚姻/居住地/职业/收入/负债
- 信用历史：查询次数/逾期历史/贷款笔数/信用额度/使用率/逾期天数/结清笔数
- 行为特征：近1/3/6/12月消费频次/金额/笔数/分期/取现/还款/违约
- 设备/网络/IP/地理位置/时间/渠道/产品/合作机构
特征工程管道:
class FeaturePipeline:
def __init__(self):
self.woe_encoder = WOEEncoder()
self.psi_monitor = PSIMonitor()
def fit_transform(self, df, target):
# 缺失值填充
df = self._impute_missing(df)
# 异常值处理
df = self._clip_outliers(df)
# WOE分箱
df_woe = self.woe_encoder.fit_transform(df, target)
# PSI过滤
df_filtered = self.psi_monitor.filter(df_woe, threshold=0.1)
# IV筛选
df_final = self._iv_filter(df_filtered, threshold=0.02)
return df_final
模型训练:
算法对比:
| 算法 | AUC | KS | 训练时间 | 解释性 |
|---|---|---|---|---|
| LR | 0.842 | 0.48 | 10s | 高 |
| XGBoost | 0.867 | 0.52 | 45s | 中 |
| LightGBM | 0.871 | 0.54 | 30s | 中 |
| CatBoost | 0.873 | 0.53 | 40s | 中 |
| 集成 | 0.878 | 0.55 | 60s | 低 |
| 选定方案: |
- 算法：LightGBM + LR 集成 (权重 0.7:0.3)
- 超参：learning_rate=0.05, num_leaves=64, max_depth=6, min_data_in_leaf=100
- 正则：L2=0.1, feature_fraction=0.8, bagging_fraction=0.8
模型评估:
| 指标 | 训练集 | 验证集 | OOT | 标准 |
| --- | --- | --- | --- | --- |
| AUC | 0.875 | 0.862 | 0.855 | >0.85 |
| KS | 0.542 | 0.518 | 0.501 | >0.45 |
| PSI | - | 0.034 | 0.087 | <0.1 |
| 提升图 | 前10%覆盖65%坏客户 | | | |
模型卡:
model_name: credit_card_application_scorecard_v1
version: 1.0.0
purpose: 信用卡申请风险评分
owner: risk_modeling_team
created: 2025-01-15
数据:
特征:
算法:
性能:
局限性:
伦理合规:
维护者:
回测脚本:
backtest.py:
import pandas as pd
from sklearn.model_selection import TimeSeriesSplit
def rolling_backtest(df, model, n_splits=6, test_window=30, gap=7):
tscv = TimeSeriesSplit(n_splits=n_splits, test_size=test_window, gap=gap)
results = []
for train_idx, test_idx in tscv.split(df):
train, test = df.iloc[train_idx], df.iloc[test_idx]
model.fit(train[features], train[target])
pred = model.predict_proba(test[features])[:, 1]
auc = roc_auc_score(test[target], pred)
psi = calculate_psi(train[score], test[score])
results.append({'auc': auc, 'psi': psi, 'period': test.index[-1]})
return pd.DataFrame(results)
监控告警:
alerts:
- name: psi_alert
condition: psi > 0.1
severity: critical
channels: [dingtalk, email]
- name: auc_drop
condition: auc_oot < 0.82
severity: warning
channels: [dingtalk]
- name: feature_drift
condition: psi_feature > 0.2
severity: warning
channels: [dingtalk]
- name: bad_rate_spike
condition: bad_rate_7d > 1.5 * bad_rate_30d_avg
severity: critical
channels: [dingtalk, phone]