2. 人群划分的核心逻辑
风险定价（Risk-based Pricing）的本质，是将借款人按照其预期违约风险进行分层，并为每一层匹配差异化的价格（利率、费用），从而在覆盖风险成本的基础上实现利润最大化，同时避免触碰公平借贷的红线。这四个目标——风险分层、差异化定价、利润最大化、公平借贷——并非独立存在，而是一个需要精密权衡的闭环系统。
2.1 核心逻辑四象限
人群划分的决策框架可以抽象为以下四个相互作用的维度：
| 维度 | 核心问题 | 关键指标 | 冲突点 |
|---|---|---|---|
| 风险分层 | 谁的风险高？谁的风险低？ | PD（违约概率）、LGD（违约损失率） | 分层过粗导致定价失真，过细导致过拟合 |
| 差异化定价 | 不同风险层该收多少利息？ | 利率、费率、期限调整 | 定价差异可能被解读为歧视 |
| 利润最大化 | 如何让整体组合的RAROC最优？ | RAROC、EVA、客户生命周期价值 | 过度追求利润可能排斥优质客户 |
| 公平借贷 | 定价差异是否基于受保护特征？ | 差异影响比、Adverse Impact Ratio | 风险因素与人口特征高度相关时的合规困境 |
关键认知： 风险分层是技术基础，差异化定价是商业手段，利润最大化是经营目标，公平借贷是合规底线。四者缺一不可，且必须在模型设计阶段就同步考虑，而非事后补救。
2.2 风险分层：从信用评分到风险等级
风险分层的第一步是将连续的信用评分（如FICO分、内部评分卡得分）映射到离散的风险等级。常见的分层方法包括：
- 等距分段法： 将评分区间等分为若干段（如每20分一段）。简单但可能造成某一区间内风险差异过大。
- 等频分段法： 使每个风险等级包含相同数量的样本。适合业务量均衡的场景，但可能将风险相近的客户强行分开。
- 最优分段法： 基于统计检验（如卡方分箱、决策树分箱）或业务经验，使组内风险同质、组间风险差异显著。这是业界主流做法。
以下是一个典型的风险分层映射表示例：
| 风险等级 | 内部评分区间 | 预期PD范围 | 建议客群占比 |
|---|---|---|---|
| A（优质） | 720+ | 0.1% - 0.5% | 20% |
| B（标准） | 680 - 719 | 0.5% - 1.5% | 30% |
| C（关注） | 640 - 679 | 1.5% - 4.0% | 25% |
| D（次级） | 600 - 639 | 4.0% - 10.0% | 15% |
| E（高风） | < 600 | > 10.0% | 10% |
实操建议： 分层数量通常控制在5-7级。层级太少无法体现风险差异，层级太多则导致每个分箱样本量不足，定价策略难以稳定执行。
2.3 差异化定价：风险与价格的映射函数
差异化定价的核心是建立“风险等级 → 价格”的映射关系。最简单的形式是线性映射，但更优的做法是引入风险调整后的目标收益率（RAROC）作为定价锚点。
定价公式的基本逻辑：
目标利率 = 资金成本 + 运营成本 + 预期损失 + 风险资本成本 + 目标利润率
其中：
- 预期损失 = PD × LGD
- 风险资本成本 = 经济资本 × 资本回报率要求不同风险等级对应的定价区间示例如下：
| 风险等级 | 预期损失成本 | 风险资本成本 | 建议年化利率区间 |
|---|---|---|---|
| A（优质） | 0.3% | 1.2% | 4.5% - 6.0% |
| B（标准） | 1.0% | 2.0% | 6.5% - 9.0% |
| C（关注） | 2.8% | 3.5% | 10.0% - 14.0% |
| D（次级） | 7.0% | 6.0% | 16.0% - 22.0% |
| E（高风） | 15.0% | 10.0% | 28.0% - 36.0% |
合规红线： 差异化定价必须基于“风险中性”原则。如果两个客户的风险特征完全相同，但因其性别、种族、宗教等受保护特征而获得不同利率，即构成歧视。定价模型必须通过公平性测试（如Equalized Odds、Demographic Parity）。
2.4 利润最大化：组合层面的RAROC优化
利润最大化并非简单地对每个客户收取最高可接受利率，而是在组合层面优化风险调整后的资本回报率（RAROC）。这涉及到客户接受率、违约损失与利息收入的平衡。
一个简化的利润最大化决策流程：
- 计算每个风险等级的盈亏平衡利率。
- 设定各等级的目标利率，确保每个等级预期RAROC > 门槛值。
- 模拟不同定价策略下的客户接受率与组合整体利润。
- 选择使组合整体利润最大化的定价方案。
下图展示了风险分层、差异化定价与利润最大化之间的动态关系：
2.5 公平借贷：不可忽视的约束条件
公平借贷要求贷款人的定价决策不能基于种族、肤色、宗教、国籍、性别、婚姻状况、年龄（具备完全民事行为能力者）等受保护特征。在实际操作中，最大的挑战在于：许多合法的风险变量（如收入稳定性、居住区域、职业）与受保护特征存在统计相关性。
常见的公平性检测方法包括：
- Adverse Impact Ratio (AIR)： 比较受保护群体与非受保护群体获得“有利定价”的比例，阈值通常为80%（4/5规则）。
- Marginal Effect Test： 在控制风险变量后，检验受保护特征对定价决策是否仍有显著影响。
- Equalized Odds： 要求模型在不同群体间具有相同的假阳性率（FPR）和真阳性率（TPR）。
最佳实践： 在模型开发阶段就将“受保护特征”作为不可入模变量，并定期监控代理变量（Proxy Variables）的歧视风险。如果发现某个风险等级中某一群体的占比异常，需回溯检查分层逻辑是否无意中引入了偏见。
2.6 四者平衡的决策矩阵
在实际业务中，四个目标往往存在冲突。以下矩阵展示了常见冲突场景及应对策略：
| 冲突场景 | 风险分层 | 差异化定价 | 利润最大化 | 公平借贷 | 应对策略 |
|---|---|---|---|---|---|
| 场景A | 高 | 高 | 高 | 低 | 引入替代变量，重新校准分层边界，牺牲部分利润换取合规 |
| 场景B | 低 | 低 | 低 | 高 | 增加风险区分变量，提升分层粒度，在合规前提下释放利润 |
| 场景C | 高 | 中 | 中 | 中 | 维持分层，优化定价弹性，通过交叉销售提升整体利润 |
人群划分的核心逻辑，本质上是在这四个维度构成的约束空间中寻找最优解。没有绝对正确的分层方案，只有最适合当前业务阶段、监管环境与数据条件的平衡方案。