1. 授信决策引擎概述

1.1 什么是授信决策引擎

授信决策引擎（Credit Decision Engine）是一套基于规则、模型与实时数据的自动化决策系统，能够在毫秒级对信贷申请进行风险评估、额度核定与策略分流。它替代了传统人工审批的“经验驱动”模式，将风控策略转化为可执行、可监控、可迭代的数字化流程。

决策引擎的输入通常包括：用户身份信息、征信报告、多头借贷数据、设备指纹、行为埋点等；输出则直接对接核心账务系统、资金路由与贷后管理模块。

1.2 决策引擎在信贷全生命周期中的作用

信贷全生命周期通常划分为五个阶段：获客 → 准入 → 授信 → 用信 → 贷后。决策引擎在每个阶段承担不同的核心职能：

• 获客阶段： 预筛选（Pre-screening），通过白名单、黑名单、外部数据评分对流量进行初步过滤，降低无效申请成本。
• 准入阶段： 反欺诈规则（身份核验、设备关联、团伙识别）与硬性拒绝规则（年龄、地域、多头借贷上限）拦截高风险申请。
• 授信阶段： 评分卡与模型引擎输出信用评分、违约概率（PD）、损失率（LGD），结合额度策略矩阵计算初始额度与利率。
• 用信阶段： 实时交易监控，触发提现规则（如单日提现限额、异常时段交易）或动态提额策略。
• 贷后阶段： 早期预警（Early Warning）模型识别逾期风险，自动触发催收策略分流（短信、IVR、人工外呼、委外）。

1.3 决策引擎的核心组件

一个生产级的授信决策引擎由三个核心组件构成：规则引擎、评分卡与模型引擎。三者协同工作，形成“规则拦截 → 评分排序 → 模型精算”的决策流水线。

1.3.1 规则引擎

规则引擎是决策引擎的“第一道防线”，负责执行确定性逻辑判断。规则通常以“IF-THEN-ELSE”形式编写，具有高解释性与低延迟特点。

• 硬性拒绝规则： 年龄＜18岁、身份证校验失败、命中黑名单、多头借贷机构数＞10家。
• 反欺诈规则： 设备指纹关联多个身份证、申请IP归属地与户籍地跨省、同一手机号7天内申请超过3次。
• 准入规则： 收入负债比（DTI）＞50%、征信查询次数近3个月＞6次。
• 额度规则： 基于收入分档、学历、社保缴纳时长等计算基础额度。

1.3.2 评分卡

评分卡（Scorecard）是传统信用风险评估的核心工具，基于逻辑回归（Logistic Regression）构建，将用户特征映射为整数分数。评分卡具有以下特点：

• 可解释性： 每个特征对应一个分数段，审批人员可直观理解“为什么扣分”。
• 稳定性： 使用WOE（Weight of Evidence）编码与证据权重变换，对数据波动不敏感。
• 标准化： 通常以300～850分为区间，600分为好坏分界线。

1.3.3 模型引擎

模型引擎负责运行机器学习模型（如XGBoost、LightGBM、神经网络），输出违约概率（PD）、损失率（LGD）或风险等级。与评分卡相比，模型引擎能捕捉非线性关系与高阶交互特征，预测精度更高。

• 模型类型： 分类模型（PD预测）、回归模型（LGD/EAD预测）、排序模型（风险排序）。
• 特征工程： 支持数值型、类别型、时序型、文本型特征，自动特征交叉与选择。
• 模型管理： 版本控制、A/B测试、冠军/挑战者（Champion/Challenger）策略。
• 监控指标： KS、AUC、PSI、特征稳定性、模型校准度。

1.4 组件协同与决策流程

在实际生产环境中，三个组件并非独立运行，而是按照“漏斗式”策略编排：

1. 规则引擎前置拦截： 所有申请先经过规则引擎，命中硬性拒绝规则或反欺诈规则的申请直接拒绝，不进入后续评分与模型环节，节省计算资源。
2. 评分卡中间排序： 通过规则引擎的申请进入评分卡，输出信用分数。分数低于阈值的申请可被拒绝或转入人工审核。
3. 模型引擎精算： 评分卡通过的申请进入模型引擎，输出PD/LGD等连续概率值，结合额度策略矩阵计算最终授信参数。
4. 策略后处理： 对模型输出进行二次校准（如额度封顶、利率下限），最终输出决策结果。