2. 信贷模型基础

要做好异常根因定位，必须先建立一张“模型在业务中如何运转”的全景图。信贷模型不是孤立算法，它嵌入在贷前、贷中、贷后的完整链路中，并受到模型风险管理体系的约束。本章从业务全流程出发，梳理模型类型、评分卡与机器学习模型的分工，并给出模型风险管理体系的关键框架。

一、信贷业务全流程与模型嵌入点

信贷业务的核心是“在可控风险下完成资金投放与回收”。典型流程可拆为五个阶段，每个阶段都有模型参与决策或监控：

1. 获客与准入：识别目标客群，进行反欺诈与基础准入判断。常用模型包括申请反欺诈模型、身份核验规则与准入评分。
2. 授信审批：决定是否放款、额度与定价。核心是申请评分卡（A卡）与额度策略模型。
3. 贷中管理：监控客户行为变化，进行额度调整、早期预警。常用行为评分卡（B卡）与交易风险模型。
4. 贷后催收：预测还款概率与回收率，制定催收策略。常用催收评分卡（C卡）与回收率模型。
5. 资产监控与组合管理：监控整体资产质量、集中度与拨备。常用组合风险模型与压力测试模型。

异常根因定位的第一步，就是确认异常发生在哪个阶段、影响哪类模型。例如通过率骤降可能来自准入规则或A卡，而逾期率上升可能来自B卡或贷后策略。

二、模型类型：评分卡与机器学习模型

信贷模型按可解释性与复杂度，大致分为三类：

• 规则与策略模型：如硬规则、黑白名单、额度公式。可解释性最强，但泛化能力有限。
• 评分卡（Scorecard）：以逻辑回归为主，将变量分箱后赋分，输出信用分数。可解释性强，监管接受度高，是信贷行业的主流基线模型。
• 机器学习模型：如梯度提升树（GBDT）、随机森林、神经网络。预测能力通常更强，但可解释性弱，需要额外解释工具（如SHAP）。

评分卡的核心原理是：将连续变量离散化为分箱，对每个分箱赋予WOE（证据权重），再用逻辑回归拟合，最后转换为标准分数。其优势在于每个变量、每个分箱的贡献都可追溯，便于异常定位与合规解释。

WOE = ln(坏样本占比 / 好样本占比)
Score = A - B * ln(odds)
其中 odds = 坏样本概率 / 好样本概率

机器学习模型在信贷中常用于反欺诈、营销响应与复杂行为预测。其异常根因定位更依赖特征重要性、SHAP值与群体稳定性指标（PSI）。

三、模型风险管理体系：三道防线与全生命周期

模型风险管理（MRM）是保障模型可信、合规、稳定的制度框架。典型体系包括三道防线：

模型全生命周期包括：需求定义、数据准备、开发、验证、上线、监控、重训与退役。异常根因定位与整改闭环，正是监控与重训阶段的核心工作。

四、案例场景：通过率骤降的根因定位

某消费信贷产品某日通过率从42%降至28%。按流程排查：

1. 确认异常阶段：属于授信审批环节，A卡与准入规则共同作用。
2. 检查数据质量：发现某三方数据源返回缺失率从3%升至35%。
3. 检查规则命中：缺失导致硬规则“数据缺失即拒绝”命中率上升。
4. 检查模型分数：A卡分数分布整体左移，PSI达0.31，超过0.25阈值。
5. 根因结论：外部数据源接口异常导致特征缺失，触发准入拒绝与评分下降。
6. 整改闭环：切换备用数据源、增加缺失容忍策略、重跑当日审批、更新监控告警。

五、常见误区与复盘要点

• 误区一：只盯模型指标。通过率下降可能来自规则或数据，而非模型本身。
• 误区二：忽视特征稳定性。PSI越界常先于KS下降出现，是早期预警信号。
• 误区三：整改不闭环。定位到根因后未更新监控阈值与文档，导致问题复发。
• 误区四：把评分卡与机器学习对立。实际常采用“评分卡基线+机器学习增强”的混合架构。