2. 信贷业务基础

在讨论模型性能衰退之前，必须先建立一套共同的业务语言。信贷模型不是孤立存在的算法，它嵌入在完整的信贷生命周期中，其输出会直接影响通过率、坏账率和资金收益。理解这些术语之间的因果关系，是后续监控模型衰退、定位坏账来源的前提。

一、信贷生命周期与评分卡类型

一笔信贷业务通常经历六个阶段：获客与申请、审批与授信、支用与放款、贷中管理、贷后催收、结清或核销。每个阶段都有对应的模型介入，形成评分卡矩阵。

A卡决定“让不让人进来”，B卡决定“进来后怎么管”，C卡决定“逾期后怎么催”。三者共享同一批客户，但观察窗口和标签定义完全不同。模型监控必须按评分卡类型分别设计，不能混用指标。

二、通过率、坏账率与Vintage、MOB

通过率是审批环节最直接的业务指标，等于通过申请数除以总申请数。通过率与坏账率之间存在天然的权衡关系：放宽审批标准会提高通过率，但通常也会推高坏账率。模型监控中，通过率突变往往先于坏账率变化出现，是重要的早期信号。

坏账率的分子通常是逾期90天以上（DPD90+）的未偿本金，分母可以是当期放款金额、期末在贷余额或平均在贷余额。不同口径的坏账率差异巨大，监控报表必须固定口径，否则趋势对比会失真。

举例：2024年1月放款批次在MOB=6时DPD90+坏账率为1.8%，而2024年3月放款批次在MOB=6时为2.6%。两者账龄相同，可直接比较，说明3月批次的资产质量明显恶化。若只看当期总坏账率，由于1月批次已进入更高MOB，反而可能显得更高，导致误判。

三、核心指标的计算与监控口径

以下代码展示了Vintage坏账率的标准计算逻辑，按放款月份和MOB分组聚合：

-- 按放款月份和MOB计算DPD90+坏账率
SELECT
    loan_month,
    mob,
    SUM(CASE WHEN dpd >= 90 THEN balance ELSE 0 END) AS bad_balance,
    SUM(balance) AS total_balance,
    SUM(CASE WHEN dpd >= 90 THEN balance ELSE 0 END)
        / NULLIF(SUM(balance), 0) AS bad_rate
FROM vintage_table
GROUP BY loan_month, mob
ORDER BY loan_month, mob;

监控中需要同时关注三个维度：时间维度（按月趋势）、批次维度（Vintage对比）、客群维度（渠道、区域、产品）。单一维度的坏账率上升可能只是结构变化，多维度交叉才能定位真实原因。

四、常见误区与复盘要点

• 误区一：用当期坏账率比较不同批次。当期坏账率混合了不同MOB的资产，账龄结构变化会掩盖真实风险。必须用Vintage对齐账龄后再比较。
• 误区二：通过率下降就认为是模型变严。通过率还受申请客群质量、渠道结构、政策调整影响。需结合申请分数分布和拒绝原因码一起分析。
• 误区三：坏账率上升就归因于模型衰退。宏观环境恶化、催收策略调整、客群下沉都会推高坏账率。模型衰退只是候选原因之一，需通过分数漂移和排序能力指标进一步验证。
• 误区四：忽略MOB成熟度。MOB<6的批次坏账率尚未充分暴露，不能与成熟批次直接对比。监控中应标注“未成熟”状态，避免过早下结论。