1. 信用额度定价概述
1.1 业务背景：为什么需要信用额度定价？
在消费金融、信用卡、小微贷款等零售信贷业务中，信用额度是金融机构授予客户的可循环或一次性借款上限。传统额度管理往往依赖经验规则（如“收入×倍数”或“一刀切”式授信），这种方式在利率市场化、客群下沉和精细化运营的今天，已无法满足风险与收益平衡的要求。
信用额度定价（Credit Line Pricing）是指：
根据客户的违约风险、资金成本、运营成本、目标收益率以及市场竞争环境，为每一笔授信或每一个客户动态计算最优额度与对应利率的过程。其核心是将“风险”与“价格”通过量化模型直接挂钩。
关键驱动因素：
- 利率市场化倒逼银行从“统一定价”转向“风险差异化定价”；
- 大数据与机器学习技术使个体级风险预测成为可能；
- 监管要求（如《商业银行互联网贷款管理暂行办法》）强调额度与风险匹配；
- 竞争加剧，头部平台已实现“千人千面”的实时额度利率。
1.2 核心目标：风险-收益最优平衡
信用额度定价并非单纯“降低风险”或“提高收益”，而是在两者之间找到帕累托最优。具体目标可拆解为以下四个维度：
| 目标维度 | 业务含义 | 量化指标示例 |
|---|---|---|
| 风险可控 | 额度不超出客户真实还款能力，避免过度授信 | PD（违约概率）≤ 阈值；LGD（损失率）≤ 目标 |
| 收益最大化 | 在风险容忍度内，通过利率与额度组合实现净息差最优 | RAROC（风险调整后资本回报率）≥ 15% |
| 客户体验 | 额度与利率匹配客户预期，减少“拒贷”或“低额”流失 | 额度接受率 ≥ 60%；首笔支用率 ≥ 40% |
| 合规稳健 | 满足资本充足率、拨备覆盖率等监管要求 | 资本占用 ≤ 经济资本预算 |
实践要点： 四个目标往往存在冲突（如高收益伴随高风险），额度定价模型需要引入多目标优化框架，或通过业务规则设置“硬约束”边界。
1.3 核心挑战：为什么需要LightGBM样本构建？
信用额度定价在落地过程中面临一系列数据与建模挑战，这些挑战直接决定了样本构建（即训练数据的生成方式）是整个流程中最关键、最易出错的环节。
主要挑战包括：
- 样本偏差（Selection Bias）
历史授信数据只包含“被批准且使用额度”的客户，拒绝客户与未使用客户的信息缺失，导致模型学习到的分布与真实客群分布不一致。 - 额度与利率的联合内生性
额度与利率由银行策略决定，同时影响客户行为与违约结果，直接建模会导致因果混淆。 - 稀疏与长尾数据
违约样本占比通常低于5%，且高额度段样本极少，传统模型容易过拟合或欠拟合。 - 动态时序依赖
客户行为随经济周期、额度调整、利率变化而演变，静态样本无法捕捉动态响应。 - 多目标标签冲突
同一客户可能同时产生“违约”与“高收益”两种标签，需要设计复合目标或分层样本。
⚠ 常见误区： 很多团队直接使用“全量历史授信数据”训练额度模型，忽略了样本偏差与内生性问题，导致模型上线后额度分配反而恶化风险表现。本课程的核心就是教你如何通过LightGBM样本构建解决上述挑战。
1.4 信用额度定价整体流程
下图展示了信用额度定价的完整链路，其中样本构建（红色节点）是决定模型质量的第一道关卡：
1.5 样本构建在定价中的特殊地位
与传统的违约预测模型不同，信用额度定价模型需要同时处理额度和利率两个决策变量，样本构建必须包含以下特殊设计：
| 传统信用评分模型 | 信用额度定价模型 |
|---|---|
| 标签：是否违约（二分类） | 标签：违约 + 收益 + 额度使用率（多目标） |
| 样本：全量历史授信客户 | 样本：需包含拒绝推断 + 额度实验组 |
| 特征：静态申请信息 | 特征：静态 + 动态行为 + 额度策略变量 |
| 模型：单一分类器 | 模型：多任务学习或分层模型 |
| 评估：AUC / KS | 评估：RAROC / 利润曲线 / 额度接受率 |
本课程定位： 从第2章开始，我们将深入讲解如何利用LightGBM的特性（高效处理类别特征、原生支持缺失值、自带正则化）来构建高质量的定价样本，包括拒绝推断、样本加权、时序切片、多目标标签构造等核心技术。