信用额度定价：时序样本切分案例 - 第1节

1.1 信用额度定价的业务背景

信用额度定价是消费金融与信用卡业务的核心风控环节，其目标是在风险可控与收益最大化之间找到最优平衡点。传统上，金融机构依据申请人的信用评分、收入水平、负债比率等静态特征，结合专家经验设定初始额度。然而，随着业务规模扩大与客群下沉，静态定价模型暴露出三大痛点：

• 风险滞后性：客户的实际还款能力与意愿会随时间动态变化，静态额度无法捕捉行为漂移。
• 收益错配：优质客户因额度不足而流失，高风险客户却因额度虚高导致坏账攀升。
• 监管合规压力：监管机构要求定价模型具备可解释性、公平性，且需定期验证模型稳定性。

因此，现代信用额度定价必须引入时序视角，将样本按时间窗口切分，用历史数据训练、用未来数据验证，才能真实反映模型在时间轴上的泛化能力。

1.2 时序样本切分的必要性

在信用额度定价建模中，时序样本切分并非可选项，而是必须遵守的建模纪律。其必要性体现在以下四个维度：

1. 避免未来信息泄露：若随机切分训练集与测试集，模型可能“偷看”到未来的违约模式，导致在线上部署时性能断崖式下跌。
2. 捕捉宏观环境变化：经济周期、利率政策、疫情等外部冲击会改变客群的风险分布，时序切分能检验模型对“未知未来”的适应能力。
3. 评估模型衰减速度：通过滚动时间窗口验证，可以量化模型性能随时间衰减的速率，为模型迭代频率提供依据。
4. 满足监管审计要求：巴塞尔协议III、国内《商业银行互联网贷款管理暂行办法》均要求模型验证需包含时间外样本测试。

1.3 课程目标与学习路径

本课程旨在帮助学员掌握一套可落地、可审计、可迭代的时序样本切分方法论，并直接应用于信用额度定价场景。课程结束后，学员应具备以下能力：

学习路径采用“业务→数据→模型→监控→交付”五阶段递进结构，每阶段均配有真实脱敏案例与可运行代码。建议学员按顺序学习，并在每章结束后完成配套练习。