3. 信贷组合分群基础

在ECL（预期信用损失）计量中，很多团队的第一反应是“把全部贷款放进一个模型跑PD、LGD、EAD”。这种做法在组合规模小、业务单一时勉强可行，但当组合包含房贷、信用卡、小微经营贷、消费分期等差异极大的产品时，单一模型会同时犯两类错误：对低风险客群高估损失，对高风险客群低估损失。分群（Segmentation）正是解决这一问题的第一道工程化手段。

一、分群的目的：不是分类，而是让参数“可估计、可解释、可审计”

分群的核心目的可以归纳为三点：

• 风险同质性：同一群组内的客户在违约驱动因素、损失形态上足够相似，使PD/LGD的估计具备统计稳定性。
• 风险区分度：不同群组之间的风险水平存在显著差异，否则分群没有信息增益。
• 参数映射可落地：每个群组能够对应到一组可计算、可回溯、可审计的ECL参数，而不是停留在业务描述层面。

换句话说，分群不是把客户“贴标签”，而是为后续的PD模型、LGD模型和EAD模型建立稳定的建模单元。分群做错，后面所有参数都会系统性偏移。

二、分群维度：从业务维度到风险维度的映射

实践中常用的分群维度可以分为四类：

维度类别	典型字段	对ECL参数的影响
产品维度	房贷、信用卡、消费贷、经营贷	决定LGD基准与EAD摊还方式
客户维度	零售/对公、评级、行业、区域	影响PD水平与迁移矩阵
风险维度	逾期阶段、五级分类、内部评分	直接决定PD区间与阶段划分
担保维度	抵押、质押、保证、信用	显著影响LGD与回收率

分群维度不是越多越好。维度过多会导致每个群组样本量不足，参数估计噪声大；维度太少则同质性不足。通常建议先按“产品+担保”做一级分群，再按“风险阶段+评分区间”做二级分群。

三、同质性与风险区分度：分群质量的两把尺子

同质性（Homogeneity）指群组内部风险特征一致，常用群内PD方差、违约率极差来衡量。风险区分度（Discrimination）指群组之间风险差异明显，常用群间违约率比值、基尼系数或IV值来衡量。

两者存在天然张力：分得越细，同质性越高，但样本量下降，区分度的统计显著性可能不足。因此分群评估需要同时看两个指标：

群组质量检查清单：
1. 群内违约率标准差 / 群间违约率极差 < 0.5
2. 每个群组样本量 ≥ 1000（零售）或 ≥ 50（对公）
3. 群组违约率排序稳定，跨期不出现大幅跳变
4. 群组边界可由系统字段自动判定，不依赖人工判断
5. 群组数量控制在 8～15 个，避免过度碎片化

如果某个群组同时满足“样本量足够、违约率稳定、边界清晰”，就可以作为ECL参数映射的基本单元。

四、分群与ECL参数映射的逻辑关系

分群与ECL参数之间不是简单的一对一关系，而是“分群决定参数估计单元，参数估计单元决定计量结果”的链式关系。具体逻辑如下：

1. 分群确定建模单元：每个群组独立估计PD、LGD、EAD，避免跨群组污染。
2. 参数映射到群组：PD按群组的历史违约频率或评分卡校准；LGD按群组的回收率与清收周期估计；EAD按群组的摊还计划与额度使用率估计。
3. 群组内加权汇总：ECL = Σ（PD × LGD × EAD × 折现因子），在群组内按敞口加权。
4. 群组间汇总：组合ECL为各群组ECL之和，并可按群组维度做归因分析。

五、案例场景：某银行零售信贷组合分群

某银行零售组合包含房贷、信用卡、消费贷三类产品。初始方案是全部合并建模，结果发现整体PD被房贷拉低，信用卡的高LGD被稀释，导致ECL低估约12%。调整后的分群方案如下：

一级分群：产品类型
  - 房贷
  - 信用卡
  - 消费贷

二级分群：风险阶段 + 担保方式
  - 房贷：正常/关注/不良 × 抵押
  - 信用卡：正常/逾期30+/逾期90+ × 信用
  - 消费贷：正常/关注/不良 × 信用/保证

参数映射：
  房贷正常群：PD 0.5%，LGD 20%，EAD 按摊还余额
  信用卡逾期90+群：PD 85%，LGD 75%，EAD 按已用额度
  消费贷不良群：PD 95%，LGD 65%，EAD 按合同余额

调整后，组合ECL上升至合理水平，且各群组ECL贡献可解释、可审计。这个案例说明：分群不是增加工作量，而是让ECL从“拍脑袋”变成“可追溯”。

六、常见误区与复盘

• 误区一：分群越细越好。群组过多导致样本不足，参数波动大，反而降低ECL稳定性。
• 误区二：只按业务分群，忽略风险维度。同一产品内不同逾期阶段的PD差异可能远大于产品间差异。
• 误区三：分群后不验证区分度。分群后应重新计算群间违约率差异，若差异不显著，说明分群无效。
• 误区四：分群边界依赖人工。边界必须由系统字段自动判定，否则无法批量计量和审计。