二、额度定价业务逻辑：风险定价、资金成本、客户生命周期价值(LTV)与额度决策树
在构建LightGBM额度定价模型之前，必须深刻理解其背后的业务逻辑。额度定价并非单纯的统计预测，而是风险、成本与客户价值三者之间的动态平衡。本章将拆解核心业务要素，为后续的样本切分与特征工程奠定业务基础。
2.1 风险定价：预期损失与风险溢价
风险定价是额度定价的基石。其核心思想是：高风险客户应承担更高的价格（利率或费率），以覆盖其可能产生的违约损失。风险定价的量化公式通常表示为：
风险定价利率 = 资金成本 + 运营成本 + 预期损失 + 目标利润率其中，预期损失（EL, Expected Loss）是风险定价的核心变量，由三个关键因子构成：
| 因子 | 定义 | 在LightGBM中的建模目标 |
|---|---|---|
| PD（违约概率） | 客户在未来一定期限内发生违约的可能性 | 二分类模型（违约/非违约） |
| LGD（违约损失率） | 一旦违约，无法收回的损失比例 | 回归模型（0%~100%） |
| EAD（违约风险敞口） | 违约发生时，客户尚未偿还的余额 | 与额度、使用率相关，常作为特征 |
业务启示： 在样本切分时，PD模型需要包含足够多的“坏样本”（违约客户），否则模型无法有效区分风险等级。对于LGD模型，则需要关注有抵押/无抵押、不同催收阶段的样本分布。
2.2 资金成本与运营成本
资金成本是金融机构获取资金所付出的代价，例如存款利息、同业拆借利率等。运营成本则包括系统维护、人员工资、风控调查等费用。这两项成本通常被视为固定或半固定成本，在定价模型中作为基础底线。
- 资金成本： 通常参考LPR（贷款市场报价利率）或内部资金转移定价（FTP）。
- 运营成本： 可按产品线或渠道进行分摊，例如线上小额贷款运营成本低于线下大额贷款。
在LightGBM模型中，资金成本和运营成本一般不直接作为模型特征，而是作为定价决策的基准线。模型输出的风险溢价需要叠加在这条基准线之上。
2.3 客户生命周期价值（LTV）
LTV（Life Time Value）衡量一个客户在整个生命周期内为机构带来的总利润现值。额度定价不能只看单笔贷款的盈利，更要关注客户的长期价值。
LTV = Σ (每期收入 - 每期成本) / (1 + 折现率)^tLTV驱动的定价策略强调：
- 新客激励： 对于高潜力新客，初期可给予较低利率（甚至亏损），以获取客户并培养忠诚度。
- 老客提额： 对于还款记录良好、交叉销售响应高的老客，可给予更高额度、更低利率。
- 流失预警： 对于LTV下降的客户，需重新评估额度或利率，避免资源浪费。
样本切分技巧： 在构建LTV模型时，需要将客户按“生命周期阶段”进行切分（如：新客期、成长期、成熟期、衰退期）。不同阶段的样本分布差异巨大，LightGBM需要针对不同阶段分别训练或使用分层采样。
2.4 额度决策树：从风险到额度的映射
综合风险定价、资金成本和LTV，最终形成额度决策树。该决策树并非机器学习中的决策树算法，而是一套业务规则引擎，用于将模型评分转化为具体的授信额度。
下图展示了一个简化的额度决策树逻辑：
2.5 业务逻辑对样本切分的约束
上述业务逻辑对LightGBM的样本切分提出了明确要求：
| 业务要素 | 样本切分要求 | 常见陷阱 |
|---|---|---|
| 风险定价 | 训练集需包含足够多的违约样本（通常>5%），否则PD模型失效 | 直接使用全量样本，导致模型偏向低风险客户 |
| 资金成本 | 不同资金渠道的样本需分开或加权，避免成本混淆 | 忽略资金成本的时间波动，导致定价滞后 |
| LTV | 按客户生命周期阶段切分，新客与老客模型独立 | 混用新老客样本，模型无法捕捉行为差异 |
| 额度决策树 | 不同决策路径下的样本需分层采样，确保各节点样本量充足 | 极端决策路径（如拒绝）样本过少，模型无法学习 |
关键提醒： 样本切分不是简单的随机划分。必须结合业务逻辑，确保每个业务子集（如高风险客群、高LTV客群）在训练集、验证集、测试集中都有代表性。否则，LightGBM模型在线上部署时会出现严重的分布偏移。
2.6 业务逻辑与模型目标的映射
最后，将业务逻辑转化为LightGBM可以优化的具体目标：
- 回归任务： 预测LGD、LTV、资金成本偏移量。
- 分类任务： 预测PD（二分类）、客户流失（二分类）、额度使用率等级（多分类）。
- 排序任务： 对客户进行风险排序，用于额度决策树的分支阈值设定。