2. 收益优化目标函数：利润最大化、风险调整后收益(RAROC)、客户生命周期价值(LTV)建模

信用额度定价的核心在于收益优化。单纯追求高利率或高额度，往往导致风险失控；过度保守则损失优质客户与利润。本章系统讲解三种主流的收益优化目标函数：利润最大化、风险调整后收益（RAROC）与客户生命周期价值（LTV），并阐述其在训练集切分与模型迭代中的具体应用。

2.1 三种目标函数的对比与选择

在信用额度定价模型中，目标函数直接决定了模型优化的方向。下表从核心公式、优化焦点、适用场景三个维度进行对比：

2.2 利润最大化：短期收益的基准模型

利润最大化是最直观的目标函数，通常用于单期决策或短期策略。其核心在于准确估计每个客户在给定额度下的收入与成本。

• 收入项： 利息收入（取决于使用率、利率）、分期手续费、年费、交叉销售佣金。
• 成本项： 预期信用损失（ECL）、资金成本（FTP）、运营成本（审批、催收、系统维护）。

在训练集切分时，利润最大化模型通常使用滚动窗口方式：以过去 6-12 个月的表现期作为标签，预测未来 1-3 个月的利润。这种切分方式对数据时效性敏感，适合快速迭代的营销场景。

2.3 RAROC：风险调整后的资本回报率

RAROC 是银行和持牌金融机构最常用的风险收益指标。它将收益与经济资本挂钩，确保每一单位资本都能产生足够的风险调整后回报。

RAROC 的计算步骤：

1. 计算预期收益： 利息收入 + 非利息收入 - 资金成本 - 运营成本。
2. 计算预期损失： PD × LGD × EAD（违约概率 × 违约损失率 × 违约风险敞口）。
3. 计算经济资本： 基于非预期损失（UL）或监管资本要求，通常使用 Vasicek 模型或内部模型。
4. 计算 RAROC： (预期收益 - 预期损失) / 经济资本。

在额度定价中，RAROC 通常作为约束条件：只有 RAROC 高于机构最低门槛（如 15%）的额度方案才被采纳。训练集切分时，需要同时保留违约样本和正常样本，并确保经济资本模型在时间序列上的稳定性。

2.4 LTV：客户生命周期价值建模

LTV 是循环信贷产品（如信用卡、备用金）最理想的优化目标。它衡量一个客户在整个关系存续期内，为机构带来的净现值。

LTV 建模的典型流程：

• 阶段 1： 预测客户留存率（Survival Model / 迁移矩阵）。
• 阶段 2： 预测各期使用率与收入（时间序列模型 / 回归）。
• 阶段 3： 预测各期违约概率与损失（生存分析 + 信用评分）。
• 阶段 4： 折现求和，得到 LTV。

LTV 建模对训练集切分有特殊要求：

1. 观察期与表现期： 需要足够长的表现期（通常 24-36 个月）来捕捉客户完整生命周期。
2. 截断处理： 对于仍在活跃的客户，使用右截断（Right-censoring）技术，避免低估 LTV。
3. 时间切片： 将客户历史数据按月或按季度切片，形成面板数据（Panel Data），用于训练时序模型。

2.5 三种目标函数的融合与训练集切分策略

在实际工业级额度定价系统中，三种目标函数并非互斥，而是形成分层决策架构。下面的 SVG 图展示了这种融合关系：

2.6 训练集切分与目标函数的对齐

不同的目标函数对训练集的时间窗口、标签定义、样本权重有不同的要求。下表总结了针对三种目标函数的推荐切分策略：

2.7 代码示例：基于 LTV 的额度优化目标函数

以下 Python 代码展示了如何计算单个客户的 LTV，并将其作为额度优化的目标函数：

import numpy as np

def calculate_ltv(credit_limit, usage_rate, interest_rate, retention_probs,
                  pd_probs, lgd, discount_rate=0.05, periods=24):
    """
    计算客户生命周期价值 (LTV)

    参数:
        credit_limit: 信用额度
        usage_rate: 各期使用率 (array)
        interest_rate: 各期利率 (array)
        retention_probs: 各期留存概率 (array)
        pd_probs: 各期违约概率 (array)
        lgd: 违约损失率 (float)
        discount_rate: 年化折现率
        periods: 预测期数 (月)

    返回:
        ltv: 生命周期价值 (净现值)
    """
    ltv = 0.0
    for t in range(periods):
        # 留存概率
        survival = np.prod(retention_probs[:t+1])
        # 预期收入
        income = credit_limit * usage_rate[t] * interest_rate[t]
        # 预期损失
        loss = credit_limit * pd_probs[t] * lgd
        # 净现金流
        net_cf = income - loss
        # 折现
        discount_factor = 1 / (1 + discount_rate/12) ** (t+1)
        ltv += survival * net_cf * discount_factor
    return ltv

# 示例：不同额度方案下的 LTV 对比
limits = [10000, 20000, 30000]
for lim in limits:
    ltv_val = calculate_ltv(
        credit_limit=lim,
        usage_rate=np.array([0.6, 0.5, 0.4, 0.3, 0.2]*5),
        interest_rate=np.array([0.015]*24),
        retention_probs=np.array([0.95, 0.92, 0.90, 0.88, 0.85]*5),
        pd_probs=np.array([0.01, 0.015, 0.02, 0.025, 0.03]*5),
        lgd=0.6
    )
    print(f"额度 {lim}: LTV = {ltv_val:.2f} 元")

2.8 本章小结