1. 信用额度定价概述
1.1 什么是信用额度定价
信用额度定价（Credit Line Pricing）是指金融机构在授信环节，基于申请人的风险特征、行为数据和外部经济环境，为每笔授信额度设定差异化利率、费率及额度上限的决策过程。它不同于传统的统一定价，而是将“额度”与“价格”作为联合决策变量，在风险可控的前提下最大化单笔贷款的期望收益。
核心公式（单笔期望收益）：
其中：EAD = 违约暴露（额度使用率相关），LGD = 违约损失率，Survival_Prob = 1 - Default_Prob。
E[Profit] = (Loan_Amount × Interest_Rate × Survival_Prob) - (EAD × LGD × Default_Prob) - Operating_Cost其中：EAD = 违约暴露（额度使用率相关），LGD = 违约损失率，Survival_Prob = 1 - Default_Prob。
1.2 业务目标：从风险排序到收益优化
信用额度定价的业务目标可以拆解为三个层次：
| 层次 | 目标 | 关键指标 |
|---|---|---|
| L1 风险匹配 | 确保高风险客户获得较低额度、较高定价；低风险客户获得较高额度、较低定价 | 坏账率、逾期率、额度使用率 |
| L2 收益最大化 | 在风险约束下，优化单笔贷款的期望净收益（NPV） | RAROC、E[Profit]、ROA |
| L3 组合级优化 | 平衡整体资产组合的集中度、流动性和资本占用 | 夏普比率、资本回报率、组合分散度 |
传统信贷审批只做“通过/拒绝”二分类，而信用额度定价将决策空间扩展为连续的价格-额度曲面，使得原本被拒绝的边缘客户可能以更高定价获得小额授信，从而提升整体客群渗透率与收益。
1.3 核心挑战：数据、模型与业务约束
信用额度定价在实际落地中面临三大核心挑战：
- 挑战一：训练集切分偏差（Sample Selection Bias）
历史数据中只有“已授信客户”的还款表现，而“被拒绝客户”的违约标签完全缺失。直接用已授信样本训练模型，会低估真实客群的风险水平，导致定价偏低。 - 挑战二：收益函数非凸性
额度与利率之间存在非线性交互：提高利率可能降低客户接受率，提高额度可能增加违约暴露。收益函数通常非凸，传统梯度优化容易陷入局部最优。 - 挑战三：业务约束与监管合规
定价不能突破监管利率上限，额度不能超过客户收入倍数，且需要满足公平借贷（Fair Lending）要求，不能对特定人群产生歧视性定价。
⚠ 常见误区： 很多团队直接使用“历史通过客户”的样本训练定价模型，忽略了拒绝推断（Reject Inference）步骤。这会导致模型对高风险客群的定价偏低，最终在贷后出现超预期的坏账。
1.4 信用额度定价的完整流程框架
下图展示了从数据输入到定价决策的完整流程，其中“训练集切分”与“收益优化”是本次课程的核心模块：
1.5 为什么训练集切分是定价的基石
信用额度定价模型依赖历史数据来估计“不同额度-利率组合下的客户违约概率与接受概率”。如果训练集切分不当，模型会学到有偏的风险分布，导致定价策略在真实场景中失效。常见的切分维度包括：
- 时间维度切分： 按放款月份划分训练/验证/测试集，避免时间穿越（Look-ahead Bias）。
- 拒绝推断切分： 对历史被拒绝客户进行风险标签推断，扩充训练样本。
- 额度-利率实验切分： 利用随机实验或准实验设计，分离定价策略与风险表现。
💡 实践建议： 在项目启动阶段，先花 30% 的时间梳理历史数据的时间戳、拒绝记录和额度变更日志。训练集切分的质量直接决定后续模型的天花板。
1.6 本章小结
信用额度定价是连接“风险计量”与“商业收益”的桥梁。它要求我们同时回答三个问题：
- 给谁多少额度？（额度分配）
- 以什么价格给？（利率/费率定价）
- 如何保证模型在真实世界有效？（训练集切分与验证）
接下来的章节将逐一深入训练集切分的技术细节与收益优化的数学框架。