1. 课程导入
在信贷业务中，授信额度是连接风险与收益的核心变量。额度给得太高，坏账暴露时损失放大；额度给得太低，优质客户用不足、收益被压缩。很多团队把额度模型当成一个“回归预测题”，只关注预测金额是否准确，却忽略了额度本质上是一个决策变量：它需要在通过率、风险成本、资金成本、客户体验和监管约束之间取得平衡。本课程的目标，是带你从零建立一套可落地、可解释、可迭代的授信额度模型与额度分层策略体系。
学习目标
完成本课程后，你应当能够独立完成以下工作：
- 理解额度决策的本质：区分“风险预测”与“额度决策”，明确额度模型在信贷全流程中的位置。
- 掌握额度模型的主流方法：从专家规则、评分卡到机器学习模型，理解不同方法的适用边界。
- 构建额度分层策略：能够基于风险、收益、客群特征设计分层矩阵，并给出差异化额度区间。
- 完成策略评估与迭代：掌握额度策略的监控指标、回溯方法和常见调优手段。
- 规避典型误区：识别额度模型落地中常见的过拟合、样本偏差、策略冲突等问题。
整体框架：额度模型与分层策略的全景
一套完整的授信额度体系通常包含四个层次，从底层数据到顶层策略逐层递进：
- 数据与特征层：整合人行征信、内部行为、三方数据、申请信息，形成额度决策可用的特征体系。
- 模型层：构建风险模型（如违约概率PD）与额度模型（如推荐额度、收入预测、偿债能力评估）。
- 策略层：将模型输出转化为额度区间，结合规则、分层矩阵和人工复核形成最终授信方案。
- 监控与迭代层：通过放款后表现、额度使用率、风险迁徙等指标持续优化模型与策略。
核心逻辑：额度模型回答“客户能还多少”，额度策略回答“我们愿意给多少”。前者是预测问题，后者是决策问题。两者必须解耦设计、联动调优。
为了更直观地理解各层职责，下表给出一个典型的额度体系分工清单：
| 层次 | 核心任务 | 典型产出 | 常见工具/方法 |
|---|---|---|---|
| 数据与特征层 | 数据清洗、特征加工、变量筛选 | 特征宽表、变量字典 | SQL、特征平台、WOE/IV |
| 模型层 | 预测风险与偿债能力 | PD模型、收入预测模型、额度推荐模型 | 逻辑回归、XGBoost、LightGBM |
| 策略层 | 额度区间划分与规则组合 | 分层矩阵、额度上限/下限、人工复核规则 | 决策树、策略表、评分映射 |
| 监控与迭代层 | 效果评估与策略调优 | 监控报表、回溯报告、调优方案 | PSI、KS、AUC、Vintage分析 |
核心价值与业务场景
额度分层策略的价值，体现在“把合适的额度给合适的人”。它至少服务于三类业务场景：
- 新客授信：在缺乏内部行为数据时，依赖征信与三方数据快速给出初始额度，控制首贷风险。
- 存量提额：基于客户用信、还款、消费等行为，对优质客户主动提额，提升户均收益。
- 风险降额：当客户风险信号恶化时，及时降额或冻结额度，减少潜在损失。
以某消费金融产品为例：新客授信阶段，策略将客户按风险评分分为五层，额度区间从3000元到50000元不等；存量阶段，对连续6期按时还款且额度使用率超过70%的客户触发提额，提额幅度控制在原额度的30%以内。上线后，该策略在通过率基本不变的情况下，将高风险客群的户均损失降低了约18%，同时优质客群的额度使用率提升了12%。这说明额度分层不是简单的“切一刀”，而是需要结合风险与行为动态调整。
提示：额度策略的收益往往来自“结构优化”而非“单点提升”。同样的模型分数，不同的分层切点和额度映射，可能带来完全不同的风险收益表现。
常见误区与复盘
在额度模型与分层策略的实践中，以下误区最为常见：
- 误区一：把额度模型当成风险模型。风险模型预测“会不会坏”，额度模型预测“能还多少”。两者目标不同，特征和标签设计也不同。
- 误区二：分层过细导致样本不足。层数太多会让每层样本量过小，策略不稳定，建议每层至少覆盖5%以上的客群。
- 误区三：只看模型指标，不看业务指标。AUC高不代表额度策略好，还需关注额度使用率、风险成本、ROA等业务指标。
- 误区四：忽视策略冲突。提额规则与降额规则可能同时命中同一客户，需要明确优先级和互斥逻辑。
警告：额度策略上线前必须进行回溯测试和影子运行，避免因规则冲突或阈值设置不当导致集中提额或集中降额，引发风险或客户投诉。
下面是一个简化的额度分层策略配置示例，展示了如何用参数化方式定义分层规则：
{
"strategy_name": "new_customer_limit_v1",
"layers": [
{"layer": "A", "score_min": 750, "score_max": 900, "limit_min": 30000, "limit_max": 50000},
{"layer": "B", "score_min": 700, "score_max": 749, "limit_min": 20000, "limit_max": 30000},
{"layer": "C", "score_min": 650, "score_max": 699, "limit_min": 10000, "limit_max": 20000},
{"layer": "D", "score_min": 600, "score_max": 649, "limit_min": 5000, "limit_max": 10000},
{"layer": "E", "score_min": 0, "score_max": 599, "limit_min": 3000, "limit_max": 5000}
],
"adjust_rules": [
{"condition": "usage_rate > 0.7 && overdue_count == 0", "action": "increase_limit", "max_increase_rate": 0.3},
{"condition": "overdue_count >= 2", "action": "decrease_limit", "max_decrease_rate": 0.5}
]
}