2. 基础知识

在进入授信策略仿真、回放与历史数据验证之前，必须先建立一套统一的“语言体系”。授信策略、决策引擎、规则集、评分卡、通过率、逾期率、风险成本这些术语，在业务、风控、研发和数据分析团队中经常被混用。如果概念边界不清，后续的仿真结果就无法对齐，回放结论也难以被业务方采信。本章的目标不是讲深某一类模型，而是把最常用的基础概念、它们之间的关系，以及常见误区讲清楚。

一、核心原理：授信策略是“决策逻辑”，决策引擎是“执行载体”

授信策略（Credit Policy）是金融机构在授信环节中，对“是否给客户授信、给多少额度、什么价格、什么期限”等问题所制定的一整套判断逻辑。它既包含硬性红线，也包含基于评分的排序与分层。策略的本质是在风险与收益之间做取舍：放宽准入会提高通过率，但可能推高逾期率；收紧准入会降低风险成本，但可能损失优质客群和业务规模。

决策引擎（Decision Engine）是把授信策略工程化、可配置化执行的系统。它负责接收申请数据、调用规则集与评分卡、执行决策流、输出决策结果，并记录决策日志。决策引擎的核心价值在于：策略与代码解耦，业务人员可以通过配置调整规则，而不必每次发版。常见的决策引擎能力包括规则编排、评分卡调用、决策表、优先级、灰度发布、冠军挑战者等。

规则集（Rule Set）是决策引擎中最基本的逻辑单元，通常由一组条件表达式组成，例如“年龄小于18岁拒绝”“近6个月逾期次数大于等于3次拒绝”。规则集强调可读、可测试、可回放。评分卡（Scorecard）则是把多个特征通过权重或WOE映射为一个分数，再按分数区间做决策。规则集偏“硬判断”，评分卡偏“软排序”，两者通常组合使用。

二、方法流程：从申请到决策的典型链路

一个典型的授信决策流程可以抽象为以下步骤。理解这条链路，对后续做仿真与回放至关重要，因为仿真本质上是在离线环境中复现这条链路，回放则是用历史数据重走这条链路并对比结果。

1. 数据接入：接收申请信息、征信数据、三方数据、内部行为数据。
2. 数据预处理：缺失值处理、格式转换、派生变量计算。
3. 规则集执行：先执行硬规则（如黑名单、年龄、反欺诈），命中即拒绝或转人工。
4. 评分卡计算：对通过硬规则的申请计算信用评分、欺诈评分等。
5. 策略决策：根据评分区间、额度模型、定价模型输出授信结论。
6. 决策记录：落库保存决策结果、命中规则、评分、版本号，供回放与审计。

下面是一个简化的决策日志示例，回放时通常需要这类结构化记录：

{
  "apply_id": "A20240518001",
  "policy_version": "policy_v3.2",
  "engine_version": "engine_1.8",
  "rules_hit": ["R_AGE_001", "R_BLACKLIST_002"],
  "score_credit": 712,
  "score_fraud": 0.08,
  "decision": "APPROVE",
  "credit_limit": 50000,
  "pricing_rate": 0.108,
  "decision_time": "2024-05-18T10:23:11+08:00"
}

在仿真场景中，我们会用同一批申请数据，分别跑旧策略和新策略，对比通过率、逾期率、风险成本等指标。在回放场景中，我们会用历史申请数据和历史表现数据，重跑当时的策略版本，验证决策是否可复现、指标是否一致。

三、核心指标：通过率、逾期率与风险成本

通过率（Approval Rate）是授信决策中最直观的指标，通常定义为“审批通过人数 / 申请人数”。但通过率必须与风险指标联合看，否则容易产生误导。例如，通过率从60%提升到75%，如果逾期率同步从3%上升到8%，这种提升可能并不划算。

逾期率（Delinquency Rate）是衡量资产质量的核心指标，常见口径包括DPD30+、DPD60+、DPD90+，分别表示逾期30天、60天、90天以上的比例。不同口径对应不同的风险严重程度，回放验证时必须明确口径，否则新旧策略对比会失真。

风险成本（Risk Cost）是把逾期损失货币化的指标，通常由“逾期率 × 违约损失率 × 违约暴露”估算。它把风险从“比率”转化为“金额”，便于与收益、运营成本一起做利润测算。常见的组合指标还有风险调整后收益（RAROC）和单位额度风险成本。

术语	定义	常见口径/公式	在仿真回放中的作用
通过率	审批通过比例	通过人数 / 申请人数	衡量策略松紧与业务规模
逾期率	逾期客户占比	DPD30+ / DPD60+ / DPD90+	衡量资产质量与风险水平
风险成本	逾期损失的货币化	逾期率 × LGD × EAD	与收益对比，评估策略经济性
评分卡	特征到分数的映射	WOE/权重/区间映射	提供排序能力与分层依据
规则集	条件判断集合	IF-THEN / 决策表	执行硬规则与合规红线
决策引擎	策略执行系统	规则编排 + 评分调用 + 日志	保证策略可配置、可回放

四、案例与场景：一次策略调整的仿真对比

假设某现金贷产品原策略为：年龄22-55岁、征信无当前逾期、信用评分大于600即可通过。业务方希望提升通过率，提出将信用评分门槛从600降到580。我们可以在仿真环境中用同一批历史申请数据跑两套策略，得到如下对比：

• 旧策略：通过率 62%，DPD30+ 3.2%，风险成本 1.8%。
• 新策略：通过率 71%，DPD30+ 4.9%，风险成本 2.7%。

从通过率看，新策略明显更“宽松”；但从风险成本看，新增通过客群带来的损失可能超过新增收益。此时需要进一步做分层分析：新增通过客群中，哪些评分区间贡献了主要逾期？如果集中在580-600分区间，可以考虑对该区间做额度控制或定价上浮，而不是简单拒绝。

五、常见误区与复盘要点

在基础概念阶段，最常见的误区有以下几类：

• 混淆通过率与准入率：通过率是审批结果，准入率可能还包含反欺诈、人工复核等环节，口径必须统一。
• 只看逾期率不看风险成本：逾期率下降不一定代表利润提升，可能只是业务规模收缩导致的。
• 忽略策略版本与引擎版本：回放时如果版本不一致，决策结果无法复现，结论不可信。
• 用未来数据验证历史策略：仿真回放必须严格使用决策时点可见的数据，避免数据穿越。
• 把评分卡分数当绝对风险：评分是排序工具，不同客群、不同时期的分数分布会漂移，需要定期校准。