信用额度定价基础：信用风险定价模型概述、额度定价的关键因子（PD/LGD/EAD）、定价与利润的平衡
信用额度定价是消费金融与信用卡业务的核心环节，其本质是在风险覆盖与收益最大化之间寻找最优解。本节从风险定价模型出发，拆解三大关键因子（PD、LGD、EAD），并探讨定价与利润的动态平衡机制。
2.1 信用风险定价模型概述
信用风险定价模型用于量化借款人的违约风险，并将其转化为具体的利率或额度调整系数。主流模型包括：
| 模型类型 | 核心逻辑 | 适用场景 | 输出指标 |
|---|---|---|---|
| Merton 结构模型 | 基于公司资产价值与负债结构，违约发生在资产价值低于负债时 | 企业信贷、债券定价 | 违约距离、预期违约频率 |
| Logistic 回归模型 | 通过历史特征拟合违约概率，输出 0~1 之间的 PD | 零售信贷、信用卡评分卡 | PD 分数、评分卡刻度 |
| 生存分析模型（Cox） | 考虑时间维度，估计客户在特定时间区间内的违约风险 | 分期贷款、长期授信 | 生存函数、风险比 |
| 机器学习集成模型 | XGBoost/LightGBM 等树模型，捕捉非线性特征交互 | 高维特征、大规模样本 | PD 排序、特征重要性 |
工程要点：在流式决策链路中，定价模型必须支持毫秒级推理。Logistic 回归与轻量级树模型（如 LightGBM 的预测函数）是线上部署的主流选择；Merton 类结构模型因计算复杂，通常仅用于离线校准或高净值客户定价。
2.2 额度定价的关键因子：PD / LGD / EAD
信用额度定价的数学基础是预期损失（EL）公式：
EL = PD × LGD × EAD其中：
- PD（Probability of Default，违约概率）：借款人在未来一定期限内（通常为 12 个月）发生违约的可能性。PD 越高，风险溢价要求越高。
- LGD（Loss Given Default，违约损失率）：一旦违约，金融机构无法收回的损失比例。LGD 受抵押品、担保、回收流程影响。
- EAD（Exposure at Default，违约风险敞口）：违约发生时，借款人已使用的授信额度及未使用部分的预期提取比例。
| 因子 | 定义 | 典型取值范围 | 定价影响方向 |
|---|---|---|---|
| PD | 违约概率 | 0.1% ~ 30% | 正向：PD 越高，利率/风险溢价越高 |
| LGD | 违约损失率 | 20% ~ 80%（无抵押信用贷通常 70%~80%） | 正向：LGD 越高，定价要求更高 |
| EAD | 违约风险敞口 | 授信额度的 50%~100% | 正向：EAD 越大，潜在损失越大 |
实践提示：在额度定价中，PD 通常由评分卡或机器学习模型实时输出；LGD 和 EAD 则更多依赖产品类型与宏观参数（如行业平均回收率、额度使用率模型）。流式决策链路需要将这三个因子实时组合，计算出每笔交易的风险调整后收益（RAR）。
2.3 定价与利润的平衡
信用额度定价并非单纯覆盖风险，还需考虑客户生命周期价值（LTV）与市场竞争。定价过高会导致优质客户流失，定价过低则无法覆盖风险成本。核心平衡公式为：
目标利率 = 资金成本 + 运营成本 + 预期损失（EL） + 目标利润率其中，预期损失 EL = PD × LGD × EAD。定价决策需要在以下维度间权衡：
- 风险覆盖：定价必须至少覆盖 EL，否则每笔交易都在亏损。
- 客户留存：定价高于市场均值时，优质客户（低 PD）会流失，导致逆向选择。
- 额度利用率：定价影响客户使用额度的意愿，进而影响 EAD 与利息收入。
- 监管约束：部分地区对利率上限、APR 披露有严格规定，限制定价空间。
常见陷阱：仅关注 PD 而忽略 LGD 和 EAD 的波动。例如，在经济下行期，LGD 可能从 60% 上升至 80%，即使 PD 不变，EL 也会大幅增加。流式决策链路必须支持 LGD 和 EAD 的动态校准，而非使用固定参数。
2.4 风险定价与利润平衡的工程视图
下图展示了信用额度定价中风险因子与利润目标的工程化映射关系：
2.5 定价与利润平衡的决策流程
在流式决策链路中，定价与利润的平衡通过以下步骤实现：
- 实时获取 PD：通过评分卡或机器学习模型，在请求到达时计算借款人的违约概率。
- 查询 LGD 参数：根据产品类型（信用贷、抵押贷、分期）和宏观环境，从参数服务中获取当前 LGD 值。
- 估算 EAD：结合当前已用额度、历史使用率模型，预测违约时的风险敞口。
- 计算 EL：将 PD、LGD、EAD 相乘，得到预期损失金额。
- 生成基准利率：在资金成本与运营成本基础上叠加 EL，形成风险定价基准。
- 利润校准：根据客户 LTV 分层、市场竞争利率、监管上限，对基准利率进行上下浮动调整。
- 输出最终定价：将调整后的利率与额度建议返回决策引擎，用于授信审批。
工程落地关键：流式决策链路要求上述 7 步在 50ms 以内完成。PD 模型通常预编译为 ONNX 或 Paddle Lite 格式；LGD 和 EAD 参数通过分布式缓存（如 Redis/ETCD）实时读取；利润校准规则由配置中心动态下发，无需重启服务。
2.6 风险因子与利润平衡的交互关系
下图展示了 PD、LGD、EAD 三个因子如何共同影响定价决策，并与利润目标形成闭环：
关键认知：PD、LGD、EAD 并非独立变量。例如，高 PD 客户往往伴随更高的 LGD（因为缺乏抵押品），且 EAD 使用率也更高。在流式决策链路中，建议使用联合分布模型或 Copula 方法捕捉因子间的相关性，避免独立假设导致的定价偏差。