课程导入：学习目标、核心概念与整体框架
多头借贷与共债风险，是消费金融、信用卡、网络小贷等信贷业务中风控体系必须直面的核心命题。当同一借款人在多个平台同时或短期内获得授信，其实际负债水平往往远超单一机构所见的表面数据。这种信息不对称直接导致风险定价失真、欺诈识别失效、贷后催收混乱，甚至引发系统性信用风险。本课程旨在帮助风控从业者、数据分析师、产品经理及信贷业务管理者，建立一套从识别、量化到管控多头借贷与共债风险的系统方法论。
一、学习目标：从认知到实战的四层进阶
本课程的学习目标并非停留在“知道什么是多头借贷”的浅层认知，而是要求学员在完成全部30章学习后，能够独立完成从风险识别、量化评估到策略落地的完整闭环。具体而言，学习目标分为四个递进层次：
| 层次 | 目标描述 | 对应能力 |
|---|---|---|
| 第一层：认知 | 准确理解多头借贷、共债风险、过度授信等核心概念，掌握行业监管政策与数据环境 | 能向业务方解释风险成因与传导路径 |
| 第二层：识别 | 熟练运用征信报告、第三方数据、设备指纹等工具，识别借款人真实负债全貌 | 能搭建多头借贷识别规则与特征体系 |
| 第三层：量化 | 掌握共债指数构建方法、评分卡开发流程、机器学习模型在共债预测中的应用 | 能独立开发共债风险评分模型 |
| 第四层：管控 | 制定额度策略、定价策略、贷中预警规则及贷后催收分层方案 | 能输出完整的共债风险管控方案 |
二、核心概念：构建统一的风险语言
在风控领域，概念混淆是跨部门协作效率低下的重要原因。业务团队说的“多头”与模型团队理解的“多头”可能完全不同。因此，课程第一章首先统一以下核心术语的定义与边界：
- 多头借贷（Multi-lending）：同一借款人在一定时间窗口内（通常为3个月），向两家或以上金融机构申请并成功获得贷款的行为。这里需要区分“申请多头”与“成功多头”——前者反映资金饥渴度，后者反映实际负债叠加。
- 共债风险（Co-borrowing Risk）：指借款人的多笔债务之间存在关联性，当某一笔债务违约时，可能引发连锁反应，导致其他债务同步恶化。这种风险不仅影响单一机构，还可能通过担保关系、资金往来等渠道在借款人社交网络中传播。
- 过度授信（Over-credit）：借款人在所有机构的授信总额度之和，远超其实际还款能力。通常用“总授信额度/年收入”或“月还款额/月收入”两个指标衡量，行业警戒线分别为3倍和50%。
- 共债指数（Co-borrowing Index）：将借款人在多个平台的借贷金额、笔数、机构数、近期查询次数等变量，通过加权或模型方法综合为一个标准化分数，用于衡量共债严重程度。
- 资金掮客（Fund Broker）：专门为借款人“借新还旧”提供通道的中介或个人，他们利用信息差帮助借款人在不同平台间周转，加剧了共债风险的隐蔽性。
三、整体框架：六大模块与学习路径
本课程共30章，按照知识递进关系划分为六大模块。每个模块解决一类核心问题，模块之间既有逻辑递进，又保持相对独立，方便学员根据自身基础选择性学习。
模块一：基础认知（第1-4章）
该模块解决“是什么”和“为什么”的问题。除了本章的课程导入外，后续三章将深入剖析多头借贷的行业现状（包括P2P爆雷、现金贷整顿等历史事件对共债格局的影响）、监管政策演变（从141号文到个人信息保护法），以及共债风险对金融机构资产质量的传导机制。学员将建立起对共债问题的宏观视野。
模块二：数据与识别（第5-10章）
该模块解决“看什么”和“怎么看”的问题。重点讲解央行征信报告、百行征信、朴道征信等官方数据源的解读方法，第三方数据（如电商消费、社交行为、设备信息）的接入与清洗，以及如何通过特征工程将原始数据转化为识别多头借贷的有效变量。其中第7章专门讲解“设备指纹与关联网络图谱”，这是识别团伙欺诈和多头借贷的关键技术。
模块三：模型与量化（第11-17章）
该模块解决“怎么算”的问题。从传统的逻辑回归评分卡，到XGBoost、LightGBM等机器学习模型，再到图神经网络在共债风险传播预测中的应用，课程将循序渐进地讲解模型原理、开发流程、验证方法和上线部署。第15章专门讲解“共债指数的构建与校准”，这是本课程的核心章节之一。
模块四：策略应用（第18-23章）
该模块解决“怎么用”的问题。模型输出的分数必须转化为可执行的业务策略才有价值。本模块将讲解如何基于共债指数制定授信额度、利率定价、审批规则，以及如何在贷中阶段通过行为数据监控借款人的共债变化趋势。第21章“动态额度管理”和第22章“风险定价策略”是信贷机构最关注的实际应用场景。
模块五：贷后管理（第24-27章）
该模块解决“怎么收”的问题。共债风险暴露后，贷后催收策略需要根据借款人的共债结构进行分层设计。本模块将讲解催收评分卡的应用、不同共债类型对应的催收话术与策略、以及资产证券化与不良资产处置中的共债考量。
模块六：实战与前沿（第28-30章）
该模块解决“未来怎么办”的问题。通过三个完整的行业案例复盘（消费金融公司、信用卡中心、网络小贷平台），将前25章的知识串联起来。同时，探讨联邦学习在跨机构共债数据共享中的应用、监管科技（RegTech）对共债风险的新要求，以及人工智能大模型在信贷风控中的探索。
四、学习方法与考核建议
考虑到学员大多为在职从业者，课程设计上采用了“碎片化学习+模块化实践”的方式。每章末尾都配有思考题和实操练习，建议学员结合自身业务场景进行针对性训练。例如，在学习第6章“征信报告深度解析”时，可以调取本机构的脱敏征信样本进行实战演练。
五、本章小结
本章作为课程的导入章节，明确了三个关键问题：第一，多头借贷与共债风险是当前信贷领域最具破坏力的风险因素之一，其影响范围远超单一机构的承受能力；第二，识别与管控共债风险需要一套完整的方法论，涵盖数据、模型、策略、贷后等多个环节；第三，本课程30章内容按照“认知-识别-量化-管控”的逻辑展开，每一章都聚焦一个可落地的技能点。