📚 课程目录第1章额度模型概述

1. 额度模型概述

在信贷全流程中，额度模型处于授信决策的核心环节，连接着客户准入与资金发放。其定位可概括为：在风险可控的前提下，为每位客户匹配最优的授信额度，实现风险与收益的动态平衡。

  业务定位三角： 额度模型不是孤立存在的，它上承反欺诈模型与评分卡模型（判断“能不能借”），下启定价模型与贷中管理模型（决定“借多少、怎么还”）。

额度模型的两大核心目标相互关联，共同构成授信决策的基石：

核心目标	定义	业务价值
风险定价	根据客户违约概率（PD）与违约损失率（LGD），确定每笔授信的风险溢价，使利率/额度与风险水平匹配。	避免“一刀切”定价导致优质客户流失或高风险客户套利；实现风险调整后收益（RAROC）最大化。
额度匹配	在风险定价基础上，结合客户收入、负债、资金需求等，给出个性化授信额度上限。	提升客户转化率与留存率；控制集中度风险与过度授信风险。

实战口诀： “风险定价定价格，额度匹配定规模”。两者缺一不可，共同构成额度模型的决策输出。

评分卡模型（Scorecard）与额度模型（Limit Model）是信贷风控中两个最核心的量化模型，但它们在目标、输入、输出和应用场景上存在本质差异：

对比维度	评分卡模型	额度模型	关键差异
核心目标	预测客户违约概率（PD），输出风险评分	在风险评分基础上，输出最优授信额度	评分卡是“概率”，额度模型是“金额”
输入特征	征信、行为、人口统计学等风险特征	风险特征 + 收入、负债、资金需求、产品参数	额度模型需要更多“容量”特征
输出形式	连续分数（如300~850）或等级（A~F）	具体授信金额（如5,000~200,000元）	评分卡是序数，额度模型是连续值
建模方法	逻辑回归、XGBoost、LightGBM等分类模型	回归模型、分位数回归、强化学习、规则+模型混合	额度模型常需处理截断与约束
业务约束	较少，主要关注区分度（KS/AUC）	强约束：监管限额、资金成本、集中度、客户体验	额度模型是“戴着镣铐跳舞”
更新频率	季度/半年度	月度/实时（贷中调额）	额度模型更强调时效性

⚠️ 常见误区： 很多团队将评分卡分数直接线性映射为额度，忽略了收入、负债、资金需求等容量特征，导致“高分低能”或“低分高额”的错配问题。额度模型必须独立于评分卡进行特征工程与建模。