3. 额度模型业务背景：信贷风控流程、额度决策逻辑、模型在额度管理中的作用
在构建额度模型训练集之前，必须深刻理解模型所处的业务环境。额度模型并非孤立存在，而是嵌入在信贷风控全流程中的关键决策节点。本章将梳理信贷风控的核心流程、额度决策的底层逻辑，以及模型如何驱动额度管理。
3.1 信贷风控全流程概览
信贷业务从用户申请到最终放款，通常经历以下五个核心阶段。额度模型主要在授信审批与额度管理环节发挥作用。
| 阶段 | 核心动作 | 关键数据输入 | 模型/规则输出 |
|---|---|---|---|
| 1. 申请准入 | 身份核验、黑名单过滤、反欺诈初筛 | 身份证、手机号、设备指纹、多头借贷 | 准入/拒绝（硬规则+规则引擎） |
| 2. 反欺诈 | 团伙欺诈识别、申请资料真实性校验 | 社交图谱、行为序列、设备关联 | 欺诈评分、人工调查标记 |
| 3. 授信审批 | 信用风险评估、额度测算、利率定价 | 征信报告、收入资产、历史借贷 | 信用评分、初始额度、利率档位 |
| 4. 额度管理 | 动态调额、超限管控、回收策略 | 用款行为、还款表现、外部风险信号 | 调额建议、冻结/降额指令 |
| 5. 贷后催收 | 逾期提醒、催收策略分配、核销 | 逾期天数、失联状态、还款意愿 | 催收评分卡、催收动作优先级 |
关键认知： 额度模型训练集切分必须严格区分“授信审批阶段”与“额度管理阶段”的数据分布。审批阶段样本多为首次申请用户，而额度管理阶段样本包含大量存量用户的行为数据，两者在特征分布和标签定义上存在显著差异。
3.2 额度决策逻辑：从规则到模型
额度决策并非单一模型输出，而是一个多层级、多策略的决策体系。下图展示了典型的额度决策逻辑架构。
3.3 模型在额度管理中的三大作用
额度模型在信贷业务中承担着风险量化、收益优化和动态适配三大核心职能。理解这些作用，有助于我们在切分训练集时合理选择样本窗口和标签定义。
- 风险量化： 将用户违约概率（PD）、违约损失率（LGD）转化为额度上限。模型评分每提升一个档位，额度相应上调一定比例。
- 收益优化： 在风险可控的前提下，通过额度与利率的组合策略最大化期望收益（EVA）。模型需要同时预测用户的用款倾向和还款能力。
- 动态适配： 根据用户行为变化（如收入提升、逾期发生）实时调整额度。这要求模型具备时序学习能力，训练集必须包含时间切片数据。
实战提示： 在构建额度模型训练集时，建议将“风险量化”类样本（如首期违约标签）与“动态适配”类样本（如额度使用率变化）分开切分。前者适合使用横向截面数据，后者必须使用纵向时间序列数据，混合切分会导致模型失效。
3.4 额度模型与风控模型的核心差异
许多初学者容易混淆额度模型与传统的申请评分卡（A卡）。下表从多个维度明确两者的区别，这对训练集切分策略至关重要。
| 对比维度 | 申请评分卡（A卡） | 额度模型 |
|---|---|---|
| 预测目标 | 违约概率（0/1二分类） | 连续额度值 / 额度档位 / 风险排序 |
| 输出形式 | 分数（如300-900） | 具体金额（如5000-50000）或档位（A/B/C） |
| 样本范围 | 所有申请用户（含拒绝） | 通过审批的授信用户（有额度记录） |
| 标签定义 | 逾期30+/90+天 | 额度使用率、坏账损失率、收益贡献 |
| 特征侧重 | 征信历史、负债率、稳定性 | 收入能力、资产证明、用款行为 |
| 时间敏感性 | 较低（静态截面） | 较高（需动态更新） |
| 训练集切分难点 | 拒绝推断（样本偏差） | 样本选择偏差 + 时间序列依赖 + 策略截断 |
常见误区： 直接将A卡的训练集切分方法套用到额度模型上。额度模型的标签通常是连续值或有序多分类，且存在严重的“策略截断”问题——即用户实际获得的额度受限于业务策略，而非模型真实预测值。训练集切分时必须引入“额度策略指示变量”或使用“截断回归”方法校正。
3.5 额度管理中的关键业务指标
在切分训练集之前，必须明确模型要优化的业务指标。额度模型通常围绕以下四个核心指标进行迭代：
- 额度使用率（Utilization Rate）： 用户实际使用额度 / 授信总额度。反映额度设置的合理性，过高说明额度不足，过低说明额度浪费。
- 坏账率（Bad Rate）： 逾期90天以上金额 / 总授信金额。额度模型的核心风险约束指标。
- 风险调整后收益（RAROC）： (利息收入 - 预期损失) / 经济资本。衡量额度配置的盈利效率。
- 额度响应率（Take Rate）： 用户在收到调额通知后实际使用新额度的比例。用于评估额度调整策略的有效性。
这些指标将直接决定训练集的标签构造方式。例如，若以“额度使用率”为目标，则训练集需要包含用户授信后的完整用款周期数据；若以“坏账率”为目标，则需要足够长的表现期（通常12-24个月）。
3.6 业务理解对训练集切分的指导意义
综合以上业务背景，我们可以提炼出对训练集切分的三条核心指导原则：
- 原则一：样本窗口对齐业务阶段。 授信审批阶段的样本使用申请时点数据，额度管理阶段的样本使用行为周期数据。两者不可混用。
- 原则二：标签定义匹配业务指标。 如果业务目标是降低坏账率，标签应定义为“是否逾期90天+”；如果目标是提升额度使用率，标签应定义为“额度使用率是否超过50%”。
- 原则三：考虑策略截断效应。 训练集中用户的实际额度受到业务策略约束，模型学习到的可能是“策略下的额度”而非“理想额度”。切分时需引入策略变量或使用因果推断方法校正。
本章小结： 额度模型不是简单的评分卡，它嵌入在信贷风控流程的授信审批和额度管理环节，受硬规则、策略引擎和业务指标的多重约束。训练集切分必须基于对业务背景的深刻理解，否则模型上线后会出现严重的分布偏移和策略冲突。下一章将正式进入训练集切分的具体方法论。