想象你是一家银行的“风控主厨”，招牌菜是一道名叫“自动信贷审批”的智能料理：几十种客户数据下锅（训练特征），一台算法炉灶（机器学习模型）几百毫秒就出锅，又快又准。可这天，金融监管局的检查员突然上门，劈头就问：“你凭什么拒绝这位客户的贷款？凭什么给这两个人不同的额度？客户的隐私数据锁好了吗？” 别慌——这不是刁难，而是金融行业的日常。风控模型决定谁拿贷款、谁被拒贷，掌握着千万家庭的财务命运。监管部门要求风控 AI 必须“做得清、说得明、守得住”：做得清，指每个决策都有据可查；说得明，指不能看人下菜碟；守得住，指客户隐私滴水不漏。围绕这三点，行业逐步形成了可解释性、公平性审计、隐私保护、监管应对、模型治理、模型卡与文档管理一整套“后厨检查制度”。 本文将带你以“后厨迎检”的视角，把这套制度逐间看一遍。看完你就能理解：一家可信赖的风控 AI 餐厅，凭什么敢把大门常年敞开。

岗位关联

对 AI 从业者而言：懂合规，你写的风控模型才不只是“跑得快”，而是“走得稳”——这是从算法工程师走向行业专家的必经一站。

目录
  1. 可视化演示
  2. 可解释性要求
  3. 公平性审计
  4. 数据隐私保护
  5. 监管审查应对
  6. 模型治理框架
  7. 模型卡规范
  8. 合规文档管理
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

演示金融风控模型的可解释性、公平性审计、数据隐私保护与模型治理四类合规要求，步进切换查看各合规维度，理解监管审查与模型卡标准化。

本节配有交互动效（进入视口后自动加载，约 3KB）。

风控模型合规要求 拒贷须说明主要拒因 公平审计防歧视差异 最小必要采集隐私数据 一模型一档案 模型卡标准化披露透明

可解释性要求

检查员夹起一块肉问：“这道菜凭什么定价这么高？”好厨师不会说“祖传秘方，无可奉告”，而是能讲出每样食材的作用——辣椒提味、香醋解腻。风控模型也一样，监管机构会追问：“你凭什么拒绝这位客户的贷款申请？”模型必须说清：是收入太低、负债太高，还是历史逾期记录拖了后腿。

这种“把决策讲清楚”的能力，专业上叫可解释性（Interpretability）。很多机器学习模型是黑盒：输入一堆特征，输出一个分数，中间过程像一团迷雾。合规要求下，团队必须为模型配备“翻译官”：要么直接用可解释的模型（如逻辑回归、决策树），要么为黑盒模型生成特征归因报告，用替代模型（如 LIME）做局部解释。

特征归因最常用的工具之一是 SHAP（Shapley Additive Explanations）。它的思想来自博弈论：把每个特征想象成一起分钱的合作者，某个特征对预测的“贡献”，就是它在所有特征组合中的边际贡献加权平均：

有了 SHAP 这份“配方归因表”，厨师就能指着每样食材说：这道菜贵，是因为那勺老抽贡献了四成香味。风控经理也能对检查员说：这个客户被拒，收入低贡献最大、负债高次之、查询次数第三。监管要的“可解释”，本质就是这一份份能对得上账的“配方说明”。

ϕi=∑S⊆F∖{i}∣S∣!(∣F∣−∣S∣−1)!∣F∣![fS∪{i}(xS)−fS(xS)]\displaystyle \phi_i = \sum_{S \subseteq F \setminus \{i\}} \frac{|S|!(|F|-|S|-1)!}{|F|!} \bigl[ f_{S \cup \{i\}}(x_S) - f_S(x_S) \bigr]
通俗理解：$\phi_i$ 是第 $i$ 个特征在整桌“猜分游戏”里的平均功劳。把每种特征组合都试一遍，将“加了它分数涨了多少”按组合数量加权平均，就得到它对这个客户决策的净贡献。
  1. 特征子集 $S$把全部特征 $F$ 看作一桌食客，$S$ 是其中任意一桌组合（不包含特征 $i$），我们要对比“有 $i$”和“没 $i$”的分数差异。
    S⊆F∖{i}\displaystyle S \subseteq F \setminus \{i\}
  2. 边际贡献 $f_{S \cup \{i\}} - f_S$在已有子集 $S$ 的基础上再加入特征 $i$，预测分数变化了多少——这就是 $i$ 在这个组合里的边际功劳。
    fS∪{i}(xS)−fS(xS)\displaystyle f_{S \cup \{i\}}(x_S) - f_S(x_S)
  3. 组合权重组合越大、出现方式越多，权重越高，用阶乘比例 $\frac{|S|!(|F|-|S|-1)!}{|F|!}$ 衡量，避免小组合喧宾夺主。
    ∣S∣!(∣F∣−∣S∣−1)!∣F∣!\displaystyle \frac{|S|!(|F|-|S|-1)!}{|F|!}
  4. 遍历求和 $\sum$把所有可能的特征组合全部走一遍，逐项累加边际贡献，最终得到第 $i$ 个特征的 SHAP 值。
    ∑S⊆F∖{i}\displaystyle \sum_{S \subseteq F \setminus \{i\}}

公平性审计

好餐厅不会因为顾客穿着朴素就少给一勺肉，也不会因为口音不同就多收钱。金融风控更是如此——性别、种族、年龄这些敏感属性，绝不能成为贷款成败的分水岭。监管检查员会专门做一件事：把客户按敏感属性分组，对比不同群体的审批结果，看有没有“看人下菜碟”。

这种检查的技术叫公平性审计（Fairness Audit）。最常见的指标是统计均等（Statistical Parity / Demographic Parity）：不论属于哪个群体，获批概率应当一致。这也是群体公平（Group Fairness）的核心约束：

但真正的难点是代理歧视（Proxy Discrimination）：即使模型从不使用敏感属性，收入、邮编、消费习惯这些特征可能和敏感属性强相关，变成它的“替身”，照样造成隐性偏见。所以公平性审计不是删掉一列就万事大吉，而是要用偏差检测工具常态化扫描，发现问题后用重加权、阈值调整、对抗去偏等手段缓解，并关注个体公平（相似的人得到相似结果）。

回到餐厅：检查员不光看墙上贴没贴“一视同仁”，还会真的抽样试菜，看后厨有没有偷偷给熟客加量。你的模型治理团队要做的，就是把“抽查试菜”固化成每月例行动作，让公平性不再是一句口号，而是一组可量化、可追踪的指标。

P(Y^=1∣A=0)=P(Y^=1∣A=1)\displaystyle P(\hat{Y} = 1 \mid A = 0) = P(\hat{Y} = 1 \mid A = 1)
通俗理解：把客户按敏感属性 $A$ 分成两组（如女性组与男性组），模型给出“通过”（$\hat{Y}=1$）的比例应基本相同。若女性组通过率只有男性组的一半，审计立刻亮红灯。
  1. 通过概率 $P(\hat{Y}=1 \mid A=0)$在敏感属性取 0 的那组客户里，模型给出“通过”结论的条件概率。
    P(Y^=1∣A=0)\displaystyle P(\hat{Y} = 1 \mid A = 0)
  2. 对照概率 $P(\hat{Y}=1 \mid A=1)$再看敏感属性取 1 的那组客户，同样计算“通过”的概率，形成对照组。
    P(Y^=1∣A=1)\displaystyle P(\hat{Y} = 1 \mid A = 1)
  3. 公平差距 $\Delta$两组概率之差的绝对值就是公平差距，差距越接近 0 越公平。
    Δ=∣P(Y^=1∣A=0)−P(Y^=1∣A=1)∣\displaystyle \Delta = \bigl| P(\hat{Y}=1 \mid A=0) - P(\hat{Y}=1 \mid A=1) \bigr|

数据隐私保护

后厨冷藏库里存着顾客的过敏原、忌口和联系方式，要是被哪个员工随手拍照发朋友圈，这家店第二天就要上热搜。风控模型的训练数据更敏感——身份证号、收入流水、还款记录，哪一样泄露都是重大事故。合规要求里，数据隐私保护是底线中的底线。

手段分两层：一是“让数据变模糊”，通过脱敏、加密、匿名化让原始信息无法直接对应到个人；二是“让模型不见数据”，典型代表是联邦学习（Federated Learning）——模型在各机构的本地“厨房”分别学做菜，只把“调味心得”（模型梯度或参数）传回中央汇总，原始食材不出本地冷库，再配合合规授权（客户知情同意）与留存策略（数据到期即销毁）守住全过程。

匿名化与隐私保护的理论基石之一是差分隐私（Differential Privacy）。它给出一个严格的数学承诺：在数据集里加入或删除某个人，模型输出的分布几乎不变，任何人都无法通过输出推断某个人是否在数据里：

回到餐厅，“差分隐私”相当于在顾客登记表上撒了一层“看不清的胡椒面”：统计结果大致准确，但要反查某个人的具体信息就抓瞎了。配合授权与销毁制度，后厨的冷藏库才真正算管住了——检查员查的正是这把钥匙在谁手里。

P(M(D)∈S)P(M(D′)∈S)≤eε\displaystyle \frac{P(\mathcal{M}(D) \in S)}{P(\mathcal{M}(D') \in S)} \leq e^{\varepsilon}
通俗理解：$\varepsilon$ 是“隐私预算”。它越小，说明“改一个人对结果的影响越小”，隐私保护越强；$\varepsilon$ 越大，说明输出对单个人的信息越敏感。
  1. 相邻数据集 $D$ 与 $D'$两份数据只差一条记录（比如差你一个人），其余完全相同，构成差分隐私的“对照组”。
    D,D′=D∖{一条记录}\displaystyle D, \quad D' = D \setminus \{\text{一条记录}\}
  2. 概率之比用同一个随机化算法 $\mathcal{M}$ 分别处理两份数据，输出落入任意结果集合 $S$ 的概率之比。
    P(M(D)∈S)P(M(D′)∈S)\displaystyle \frac{P(\mathcal{M}(D) \in S)}{P(\mathcal{M}(D') \in S)}
  3. 上限约束 $e^{\varepsilon}$该比值始终不超过 $e^{\varepsilon}$，意味着增加或删掉任何人，输出行为几乎不可区分——隐私被数学地保护住。
    ≤eε\displaystyle \leq e^{\varepsilon}

监管审查应对

市场监管局的特点是“不打招呼的抽查”，你的后厨必须时刻保持能见人的状态：台账齐全、流程合规、应急有序。金融行业同样如此，监管机构会定期或不定期审查风控模型。审查前手忙脚乱？不行，必须把“迎检”常态化。

应对审查的关键是“平时就像战时”：一是主动参加监管沙盒（Regulatory Sandbox），在受控环境里试点新算法，让监管先行了解你的“新菜”；二是建立压力测试机制，模拟极端市场环境看模型会不会崩。而模型验证环节，最常用的区分度指标之一是 KS 统计量，它衡量模型把好客户与坏客户分开的能力：

审查材料还要备齐模型开发文档、验证报告、监控记录，并建立响应机制——监管提出问题后限时闭环整改。一套完整的迎检流程，就像后厨的“每日自查表”：检查员来了不慌不忙，是因为台账每天都在更新、压测每季度都在做、整改项都有负责人。那种从容，是平时治学严谨换来的。

KS=max⁡x∣Fgood(x)−Fbad(x)∣\displaystyle KS = \max_x \left| F_{\text{good}}(x) - F_{\text{bad}}(x) \right|
通俗理解：好客户和坏客户各排一队，按风险分数从低到高站好。KS 就是两条队伍累积曲线之间最宽的那条缝——缝越宽，说明模型越能分清谁好谁坏。
  1. 累积分布 $F_{\text{good}}(x)$ 与 $F_{\text{bad}}(x)$分别统计“分数不超过 $x$”的好客户占比与坏客户占比，刻画两组在分数轴上的累积分布。
    Fgood(x),Fbad(x)\displaystyle F_{\text{good}}(x), \quad F_{\text{bad}}(x)
  2. 差的绝对值在每个分数 $x$ 处，计算两条累积曲线的高度差，去掉正负号。
    ∣Fgood(x)−Fbad(x)∣\displaystyle \left| F_{\text{good}}(x) - F_{\text{bad}}(x) \right|
  3. 取最大值 $\max_x$在所有可能的分数上寻找最大差距，这个最大值就是 KS 值，通常大于 0.3 才认为区分度合格。
    max⁡x\displaystyle \max_x

模型治理框架

一家成熟的餐厅，不会让厨师又买菜又记账又试菜——既当运动员又当裁判，谁来看都信不过。模型治理框架（Model Governance）要解决的正是这个问题：谁开发、谁审批、谁监督，职责必须分清楚，责任必须落到人。

金融业最经典的治理结构是三道防线：第一道防线是模型开发与业务部门，负责把模型做对；第二道防线是独立验证与风控部门，负责把关挑刺；第三道防线是内部审计，负责最后复核。配合风险分级，把每个模型按影响大小分门别类管理，最常用的风险敞口公式是：

治理框架还覆盖模型全生命周期——开发、验证、上线、监控、退役，每个环节都要有明确的负责人和审批记录；版本管控确保“菜谱改了哪个版本、谁批的、什么时候生效”一查便知。回到餐厅，三道防线就是“厨师做菜、质检员验菜、老板抽查”。一旦出事，追溯链条清清楚楚：哪批食材、哪个环节、哪个厨师出了问题，全部对得上账。这就是治理框架的价值——不是束缚手脚，而是让后厨在出事之前就有人负责。

E=P×I\displaystyle E = P \times I
通俗理解：模型风险敞口 $E$ 等于风险发生概率 $P$ 乘以影响程度 $I$。给“小额消费贷审批”和“全行资本配置”两个模型各算一笔账，后者风险敞口高得多，治理资源就要向它倾斜。
  1. 风险概率 $P$模型出错或被误用的可能性，比如训练数据偏移、上线事故率。
    P=出错或被误用的概率\displaystyle P = \text{出错或被误用的概率}
  2. 影响程度 $I$一旦出事造成的损失，比如坏账金额、监管处罚、声誉损失。
    I=影响金额或等级\displaystyle I = \text{影响金额或等级}
  3. 相乘得敞口 $E$两者相乘得到模型风险敞口，敞口大的模型需要更严格的审批、验证与监控频率。
    E=P×I\displaystyle E = P \times I

模型卡规范

你在超市买包装食品，包装上一定贴了营养成分表：热量多少、过敏原是什么、适合什么人吃。风控模型也需要这样一张“营养标签”，让任何接手的人三分钟就能看懂模型是什么、能干什么、不能干什么。这张标签的专业名称叫模型卡（Model Card）。

模型卡不是几张花哨的 PPT，而是标准化的信息披露文档，至少包含要素清单：模型名称与版本、用途与适用场景、训练数据概况、性能指标、公平性评估、局限性说明。有了它，监管审查、跨团队交接、模型复用都变得高效。性能披露中最核心的指标之一是 AUC：

模型卡还强制要求局限性说明：数据覆盖了哪些人群、哪些场景下效果衰减、有哪些已知偏见。监管最反感“报喜不报忧”——主动披露局限，恰恰说明团队对模型有清醒认知。模型卡就像食品包装上的小字：过敏原、储存条件、保质期一目了然。别人（监管、同事、继任者）不必拆开机器研究零件，扫一眼标签就知道该怎么用、何时该警惕。

AUC=∫01TPR(FPR−1(t)) dt\displaystyle AUC = \int_{0}^{1} TPR\left(FPR^{-1}(t)\right) \, dt
通俗理解：AUC 衡量“随机抽一个好客户和一个坏客户，模型把好客户分数排前面的概率”。0.9 说明九成情况下把好坏分得很清，0.5 说明和抛硬币没区别。
  1. 真阳率 TPR在真正的坏客户中，被正确识别为坏客户的比例，又叫召回率。
    TPR=TPTP+FN\displaystyle TPR = \frac{TP}{TP + FN}
  2. 假阳率 FPR在真正的好客户中，被误判为坏客户的比例。
    FPR=FPFP+TN\displaystyle FPR = \frac{FP}{FP + TN}
  3. 曲线下面积把每个阈值下的 (FPR, TPR) 点连成 ROC 曲线，对横轴积分求面积，得到 0 到 1 之间的 AUC。
    AUC=∫01TPR d(FPR)\displaystyle AUC = \int_{0}^{1} TPR\, d(FPR)

合规文档管理

后厨最怕什么？检查员问“这批牛肉是哪天进的、哪个供应商送的”，你支支吾吾说不出来。合规文档管理就是给风控模型建立一整套“后厨台账”：模型开发会议纪要、数据使用记录、验证报告、上线审批单、监控日志，全部标准化留痕。

文档管理要解决三个问题：格式统一（文档标准）、过程可查（审计留痕）、版本可溯（版本追溯）。成熟团队会为每份文档打分、检查完整度。完整度评分可以用加权和计算：

工具上，团队通常用版本管理仓库与文档管理平台，每次模型更新都让文档与代码同步变更，审计时可一键回溯到任意历史版本的完整上下文。这也是行业知识沉淀的基础——老员工离职，新员工靠台账就能接手。回到餐厅，检查员真正放心的，不是后厨今天干净，而是“这套台账制度让后厨天天都干净”。过程留痕不是为了应付检查，而是让每一次决策都经得起追溯，让团队经验沉淀为组织的记忆。

S=∑i=1nwi ci\displaystyle S = \sum_{i=1}^{n} w_i \, c_i
通俗理解：每份合规文档有 $n$ 个必备要素（如模型卡、验证报告、审批记录），第 $i$ 个要素写好了记 $c_i = 1$，没写记 0；再按重要性加权求和，得到完整度分数。满分才是“可以交差”。
  1. 要素完成度 $c_i$每个必备要素用 0/1 标记是否完成，未写的要素直接暴露文档缺口。
    ci∈{0,1}\displaystyle c_i \in \{0, 1\}
  2. 权重 $w_i$各要素重要性不同，比如审批记录比会议纪要权重更高，权重之和为 1。
    wi≥0,∑i=1nwi=1\displaystyle w_i \geq 0, \quad \sum_{i=1}^{n} w_i = 1
  3. 加权求和 $S$逐项相乘后累加，得到 0 到 1 之间的完整度分数，接近 1 表示文档链完整。
    S=∑i=1nwi ci\displaystyle S = \sum_{i=1}^{n} w_i \, c_i

AI 应用场景

信贷审批的可解释报告交付

阶段：模型上线与监管报送

解决的问题：传统评分卡靠简单规则勉强解释，但机器学习模型精度高却说不清。监管与客户都要求银行对每笔拒贷给出可解释理由。

具体案例：某股份制银行上线神经网络信用评分模型后，用 SHAP 为每个申请人生成特征归因报告，清晰呈现“月收入贡献 42%、负债率贡献 31%、近三月查询次数贡献 18%”，随拒贷通知书一并送达客户；整批审计时，报告直接提交监管，替代过去“黑盒 + 话术”的被动局面。

普惠金融的公平性常态化审计

阶段：模型监控与持续改进

解决的问题：信贷模型容易因训练数据偏差，对偏远地区或特定人群产生隐性歧视，损害普惠金融的公平性。

具体案例：某消费金融公司按月计算不同群体间的统计均等差距，一旦某群体通过率偏差超过阈值，立即触发重加权纠偏并冻结该版本的准入资格，直到修正后的新版本通过审计才能恢复放量。

跨机构联合建模的数据隐私

阶段：数据准备与模型训练

解决的问题：多家银行想联合建模提升反欺诈能力，但客户数据受法律约束不能离开各自机构。

具体案例：某反欺诈联盟采用联邦学习框架，各成员行在本地训练子模型，只上传加密梯度到中央节点聚合，原始数据全程不出行；同时注入差分隐私噪声，用可控的隐私预算换模型精度，项目顺利通过监管备案。

Python 演示

python53 行
# -*- coding: utf-8 -*-"""风控模型合规体检器：可解释性 + 公平性 + 区分度 + 模型卡"""import numpy as npfrom sklearn.linear_model import LogisticRegression rng = np.random.default_rng(42)n = 2000age = rng.normal(35, 8, n)income = rng.normal(15000, 4000, n)gender = rng.binomial(1, 0.5, n)   # 受保护属性：性别score = 0.04 * age + 0.0002 * income + 0.2 * gender - 6y = rng.binomial(1, 1 / (1 + np.exp(-score)))X = np.column_stack([age, income, gender]) model = LogisticRegression()model.fit(X, y)pred = model.predict_proba(X)[:, 1] def parity_gap(pred, attr, k=10):    """按预测分数分箱，比较两组在各箱内的占比差异（公平性粗检）"""    bins = np.quantile(pred, np.linspace(0, 1, k + 1))    idx = np.clip(np.digitize(pred, bins[:-1]) - 1, 0, k - 1)    total = np.bincount(idx, minlength=k)    group = np.bincount(idx, weights=(attr > 0), minlength=k)    rate = group / np.maximum(total, 1)    return float(np.max(np.abs(rate - 0.5))) def ks_value(y_true, y_score):    """KS：好坏样本累积分布的最大距离"""    good = y_score[y_true == 0]    bad = y_score[y_true == 1]    grid = np.linspace(0, 1, 100)    f_good = np.array([np.mean(good <= t) for t in grid])    f_bad = np.array([np.mean(bad <= t) for t in grid])    return float(np.max(np.abs(f_bad - f_good))) def auc_value(y_true, y_score):    """AUC：随机正样本得分大于随机负样本的概率"""    pos = y_score[y_true == 1]    neg = y_score[y_true == 0]    return float(np.mean([np.mean(p > neg) for p in pos])) coef = {name: round(c, 4) for name, c in zip(['age', 'income', 'gender'], model.coef_[0])}model_card = {    'model_name': '零售信贷申请评分卡 v1',    'interpretability': '逻辑回归系数可量化特征贡献',    'feature_coef': coef,    'fairness_parity': round(parity_gap(pred, gender), 4),    'ks': round(ks_value(y, pred), 4),    'auc': round(auc_value(y, pred), 4),    'status': '待独立验证放行'}print(model_card)
目的：用合成数据训练一个逻辑回归风控模型，并输出模型卡草稿——内含可解释性（系数）、公平性（统计均等差距）、区分度（KS 与 AUC）三项核心合规指标。
  1. y = rng.binomial(1, 1 / (1 + np.exp(-score)))根据打分生成违约标签，模拟真实信贷坏账。
  2. model = LogisticRegression()选用逻辑回归，天然自带可解释性，是评分卡行业的“透明配方”。
  3. parity_gap(pred, gender)按分数分箱比较不同性别的占比差异，完成公平性初检。
  4. ks_value(y, pred)计算好坏客户累积分布最大距离，检验模型把两类人分开的能力。
  5. auc_value(y, pred)用排序思想计算 AUC，作为模型卡上的核心性能指标。
  6. model_card = {...}把所有体检结果汇总成一张“营养标签”式模型卡，供验证团队与监管审阅。

常见误区

误区“模型都上线跑了，监管要材料的时候我加班补一份文档就行，反正格式差不多。”

正解合规是贯穿模型全生命周期的工程，不是临检前的突击。数据使用授权、特征选择理由、验证过程、监控记录，每一步都要在发生时留痕。事后补的文档经不起追溯性追问——审计人员看的是“原始台账”，不是“回忆录”。把文档写进发布流水线，才是成熟团队的做法。

为何常见：开发团队习惯先跑通再补文档，把合规当作文书工作而非工程约束，等到出事才发现“补都补不齐”。

误区“反正我的神经网络准确率 98%，比逻辑回归强多了，监管凭什么让我换？”

正解监管并不要求“绝对透明”，但要求“可解释到能负责任”——你要能说明拒绝客户的每个关键理由，能回答“这个特征为什么起作用”。若黑盒模型解释不了，就需要用 SHAP、LIME 等替代手段补解释报告。解释不了，再准也上不了线。

为何常见：学术竞赛只比精度，生产环境比的是精度与责任风险的平衡，很多人把两套评价标准混为一谈。

误区“我把性别、种族这些列全删了，模型还能有偏见？”

正解代理歧视会让敏感信息“借尸还魂”：收入与性别相关、邮编与种族相关，删除敏感特征后模型照样学会歧视，只是藏得更深。所以公平性审计必须在输出层用统计均等等指标持续检查，而不是在输入层删列了事。

为何常见：直觉上“眼不见为净”，但机器学习最擅长的就是从海量相关关系中挖掘规律，删列挡不住它。

误区“差分隐私不就是给数据加点随机噪声吗？加了就能过审。”

正解差分隐私是严格的数学承诺，噪声怎么加、加多少由隐私预算 $\varepsilon$ 精确控制，且预算会随查询次数累积消耗。乱加噪声要么保护过强导致模型失真，要么保护不足形同虚设。它必须与脱敏、授权管理配合，而不是一个“开关”。

为何常见：科普文章简化了实现细节，让人误以为“有噪声 = 有隐私”，忽略了预算管理的复杂性。

误区“模型卡上线时写了一遍，之后模型小修小补，不用每次更新文档吧？”

正解模型卡本质是“当前版本的健康档案”。模型每换一个版本，性能、适用人群、偏见状况都可能变化，文档必须同步修订，否则审计时新旧对不上账，反而暴露管理漏洞。把文档更新嵌入发布流水线，是行业标准做法。

为何常见：文档维护枯燥且不产生短期收益，容易被版本迭代的自然惰性吞掉，直到审计时才追悔莫及。

面试题

Q1. 风控模型可解释性的最直接服务对象是？

单选题 · easy

  • A.提升模型预测速度
  • B.满足监管审查需要← 正确答案
  • C.减少训练数据规模
  • D.加快模型迭代频率

答案：B。可解释性是给监管和业务看的——监管要理解决策依据，业务要向客户解释拒贷理由。提升预测速度、减少数据量、加快迭代都是性能层面的追求，不是可解释性的直接目的，故选 B。

Q2. 统计均等（Demographic Parity）要求满足什么条件？

单选题 · easy

  • A.各群体违约概率相同← 正确答案
  • B.各群体样本量相等
  • C.各群体错误率都为零
  • D.各群体特征分布一致

答案：A。统计均等只约束结果层的获批概率：不同敏感属性组的通过率 $P(\hat{Y}=1)$ 应当一致。样本量相等、错误率为零、特征分布一致都不是该指标的定义，故选 A。

Q3. 模型卡主要记录什么内容？

单选题 · easy

  • A.性能与适用场景说明← 正确答案
  • B.训练代码全部注释
  • C.公司财务报表信息
  • D.客户手机号码清单

答案：A。模型卡是模型标准化“营养标签”，记录性能指标、适用范围、公平性评估与局限性，让接手者快速理解模型。它不包含代码注释、财务报表或客户隐私数据，故选 A。

Q4. 关于差分隐私中隐私预算 ε 的说法，正确的是？

单选题 · mid

  • A.ε 越小隐私保护越强← 正确答案
  • B.ε 越大隐私保护越强
  • C.ε 大小与数据无关
  • D.ε 通常设为极大值

答案：A。ε 越小，说明增删一个人对输出分布的影响越小，隐私保护越强；ε 越大保护越弱，设得极大等于没用。ε 与数据紧密相关，不是随心所欲的常数，故选 A。

Q5. 模型治理“三道防线”中，第一道防线通常是？

单选题 · mid

  • A.内部审计部门复核
  • B.模型开发与业务部门← 正确答案
  • C.外部监管机构驻场检查
  • D.第三方咨询公司评审

答案：B。三道防线依次是：开发与业务部门（做对）、独立验证与风控部门（把关）、内部审计（复核）。外部监管机构和咨询公司不属于银行内部三道防线的组成部分，故选 B。

Q6. KS 统计量主要用来衡量什么？

单选题 · mid

  • A.好坏样本分布最大差异← 正确答案
  • B.特征数量是否充足
  • C.数据缺失比例的估算
  • D.模型训练耗时的长短

答案：A。KS 衡量好客户与坏客户分数累积分布之间的最大距离，是模型区分度的核心指标，类似“两条排队曲线之间最宽的缝”。特征数量、缺失率、训练时长都不是 KS 的考察对象，故选 A。

Q7. “代理歧视”指的是什么？

单选题 · mid

  • A.用代理变量间接造成歧视← 正确答案
  • B.通过代理服务器训练模型
  • C.删除特征后的反向操作
  • D.样本不均衡导致的偏差

答案：A。代理歧视指敏感属性被收入、邮编等相关特征“代理”，模型表面没用敏感特征，实际仍间接歧视，像“借尸还魂”。它与代理服务器、特征删除、样本不均衡无关，故选 A。

Q8. SHAP 公式中 $f_S(x_S)$ 表示什么？

单选题 · hard

  • A.仅用子集 S 训练的预测值← 正确答案
  • B.全部特征预测值的总和
  • C.样本对应的真实标签值
  • D.模型在子集上的损失值

答案：A。$f_S(x_S)$ 表示只用特征子集 $S$（不包含特征 $i$）时的模型预测值，是计算边际贡献的基准——对比“有 $i$”与“没 $i$”的分数差。它既不是全特征总和，也不是标签或损失，故选 A。

Q9. 一个完整的模型治理框架通常包括哪些内容？

多选题 · hard

  • A.模型风险分级与审批← 正确答案
  • B.独立验证与持续监控← 正确答案
  • C.版本与文档统筹管理← 正确答案
  • D.直接删除全部旧模型

答案：ABC。治理框架涵盖风险分级（$E=P \times I$ 定优先级）、独立验证、持续监控、版本与文档管理。D 违反可追溯原则——旧模型要归档留痕而不是“直接删除”，故选 A、B、C。

Q10. 关于模型卡与合规文档管理，下列说法正确的有？

多选题 · extreme

  • A.随版本更新同步修订← 正确答案
  • B.留痕保障审计可追溯← 正确答案
  • C.标准化提升审查效率← 正确答案
  • D.上线前写一次即可

答案：ABC。模型卡与合规文档应随模型版本同步修订，审计留痕让决策可回溯，标准化模板让监管快速定位信息。D 是典型误区——上线后小修小改也必须更新文档，否则新旧对不上账，故选 A、B、C。