1. 风控概述：信贷风控的核心目标、全流程与样本构建的关键地位
1.1 信贷风控的核心目标
信贷风控的本质是在收益与风险之间寻找最优平衡。核心目标可以概括为：
- 降低违约损失：通过识别和拒绝高风险客户，减少坏账率（Bad Rate）和损失金额（LGD）。
- 提升审批效率：在保证风险可控的前提下，加快优质客户的审批速度，提升用户体验。
- 优化风险定价：根据客户的风险等级差异化定价，实现风险与收益的匹配。
- 满足监管合规：确保风控策略符合法律法规，避免系统性风险。
关键指标速览： 风控模型通常以 KS（Kolmogorov-Smirnov）、AUC（Area Under Curve） 和 Gini 系数 作为区分能力的核心评估指标。
1.2 信贷风控全流程：贷前、贷中、贷后
信贷业务的生命周期分为三个核心阶段，每个阶段都有不同的风控任务和模型应用场景：
| 阶段 | 核心任务 | 典型模型/策略 | 数据来源 |
|---|---|---|---|
| 贷前 | 身份核验、反欺诈、信用评估、授信决策 | 申请评分卡（A卡）、反欺诈模型、规则引擎 | 用户申请信息、征信报告、三方数据 |
| 贷中 | 额度管理、交易监控、早期预警、调额调价 | 行为评分卡（B卡）、交易反欺诈模型、额度模型 | 用户行为日志、还款记录、消费数据 |
| 贷后 | 催收策略、资产处置、损失评估 | 催收评分卡（C卡）、失联模型、回收率模型 | 催收记录、联系人信息、外部黑名单 |
课程聚焦： 本课程《风控样本构建：特征分层与模型训练》主要围绕 贷前 和 贷中 阶段的样本构建展开，因为这两个阶段的数据量最大、特征维度最丰富，对样本构建的精细度要求最高。
1.3 样本构建在风控模型中的关键地位
在风控建模中，样本构建 是决定模型上限的基石。一个优秀的模型，其性能的 80% 以上取决于样本质量和特征工程，而样本构建是特征工程的前提。其关键地位体现在以下三个方面：
- 定义好坏客户（Label 定义）：样本构建的第一步是明确“什么是好客户”、“什么是坏客户”。不同的定义（如逾期 30 天 vs 逾期 90 天）会直接影响模型的学习目标和最终效果。
- 时间窗口对齐（样本切片）：风控模型需要严格区分“观察期”和“表现期”。样本构建必须确保特征数据（观察期）与标签数据（表现期）在时间轴上正确对齐，避免未来信息泄露（Look-ahead Bias）。
- 样本平衡与代表性：信贷场景中坏样本通常极少（<5%），直接训练会导致模型偏向预测为好客户。样本构建需要通过采样、加权或生成合成样本等方式解决类别不平衡问题，并确保样本分布与真实客群一致。
1.4 样本构建的常见陷阱
在实际项目中，样本构建环节最容易出现以下问题，需要特别注意：
⚠️ 常见陷阱：
- 幸存者偏差：只使用审批通过客户的样本，忽略了被拒绝客户的信息，导致模型对全量客群失效。
- 时间穿越：使用未来的数据（如表现期信息）来构造观察期的特征，造成模型在线上表现远低于离线测试。
- 样本不平衡：坏样本占比过低（如 < 1%），模型倾向于将所有样本预测为好客户，失去风控意义。
1.5 本章小结
信贷风控是一个贯穿贷前、贷中、贷后的系统工程，而样本构建是连接业务理解与模型训练的桥梁。只有正确理解风控目标、熟悉全流程业务逻辑，才能构建出高质量的训练样本，为后续的特征分层与模型训练打下坚实基础。