2. 额度模型业务背景：信贷风控中的额度模型、额度模型决策流程、额度模型上线风险
2.1 信贷风控中的额度模型定位
在信贷风控体系中，额度模型是连接“是否放贷”与“放多少”的核心决策引擎。与申请评分卡（A卡）判断违约概率不同，额度模型解决的是风险敞口控制问题——在预期损失可控的前提下，最大化客户价值与机构收益。
额度模型通常位于贷前审批流程的后半段，在通过反欺诈、黑名单、多头借贷等硬性规则后，结合客户信用评分、收入负债比、历史行为等维度，输出一个建议授信额度。该额度既不能过高导致风险暴露失控，也不能过低抑制优质客户的转化率。
核心矛盾： 额度模型需要在“风险最小化”与“收益最大化”之间寻找最优平衡点。灰度上线正是为了验证这个平衡点是否准确。
2.2 额度模型决策流程
一个标准的额度模型决策流程包含以下关键步骤，每个步骤都可能引入模型偏差或数据漂移风险：
- 输入层： 客户申请信息（年龄、收入、职业）、征信报告、多头借贷数据、历史还款行为。
- 特征工程： 衍生变量计算（如收入负债比 DTI、近 3 个月查询次数、额度使用率）。
- 模型评分： 通过预训练模型（如 XGBoost、逻辑回归）输出风险评分或违约概率。
- 额度映射： 将风险评分映射到具体授信金额，通常使用分段函数或线性插值。
- 人工/规则兜底： 超过风险阈值的申请进入人工审核或拒绝通道。
- 输出层： 最终授信额度写入决策表，同步至核心系统。
2.3 额度模型上线风险全景
额度模型从离线开发到全量上线，面临多维度的风险。下表总结了主要风险类型及其影响：
| 风险类别 | 风险描述 | 典型后果 | 灰度关注点 |
|---|---|---|---|
| 数据漂移 | 线上实时数据分布与离线训练集不一致 | 模型评分偏差，额度偏高或偏低 | 监控 PSI 指标，特征分布对比 |
| 特征缺失 | 线上部分特征字段为空或异常值 | 模型降级为默认值，额度失真 | 覆盖率统计，缺失值处理策略 |
| 过拟合 | 模型在训练集表现优异，线上泛化差 | 高分段客户额度虚高，坏账上升 | KS 值衰减，AUC 回退 |
| 策略冲突 | 新模型额度与现有风控规则矛盾 | 审批通过率异常波动 | 规则命中率对比，拒绝率分析 |
| 性能瓶颈 | 模型推理耗时过长，影响接口响应 | 申请超时，客户流失 | P99 延迟，吞吐量压测 |
| 冷启动 | 新客无历史行为数据，模型依赖外部数据 | 额度保守或激进，缺乏校准 | 新老客分群对比 |
⚠️ 灰度上线核心目标： 在可控流量范围内，提前暴露上述风险，避免全量上线后出现大规模坏账或客户体验下降。灰度对比分析是风险发现的第一道防线。
2.4 灰度上线在额度模型中的特殊意义
与申请评分卡不同，额度模型的灰度上线需要额外关注额度分布偏移和客户行为反馈。因为额度直接影响客户是否借款、借多少，进而影响后续的还款表现。灰度期间需要对比以下关键指标：
- 额度分布对比： 新模型 vs 旧模型在各分位数的额度差异（P10、P50、P90）。
- 转化率变化： 授信后客户是否激活额度、是否提款。
- 首期逾期率： 新模型授信客户的首月逾期表现。
- 额度使用率： 客户实际借款金额占授信额度的比例。
- 拒绝率偏移： 因额度过低导致客户主动放弃申请的比例。
2.5 额度模型灰度上线的典型风险案例
以下是一个简化案例，说明灰度上线中可能出现的风险场景：
案例背景： 某消费金融公司上线新版额度模型，灰度流量 5%。灰度运行 3 天后发现：
• 新模型在 P90 分位数的授信额度比旧模型高出 35%；
• 灰度组客户的首期逾期率从 1.2% 上升至 2.8%；
• 但授信转化率提升了 12%。
结论： 模型在高分段过度激进，虽然短期转化率提升，但风险敞口显著扩大。团队立即暂停灰度，调整额度映射函数后重新上线。
• 新模型在 P90 分位数的授信额度比旧模型高出 35%；
• 灰度组客户的首期逾期率从 1.2% 上升至 2.8%；
• 但授信转化率提升了 12%。
结论： 模型在高分段过度激进，虽然短期转化率提升，但风险敞口显著扩大。团队立即暂停灰度，调整额度映射函数后重新上线。
这个案例揭示了额度模型灰度上线的核心挑战：收益指标（转化率）与风险指标（逾期率）往往同步变化，需要建立综合评估框架，而非单一指标决策。