1. PD模型概述
1.1 PD模型定义
PD模型（Probability of Default Model） 是量化评估借款人在未来特定时间窗口内（通常为12个月）发生违约可能性的统计模型。在额度定价场景中，PD模型输出的违约概率是风险定价的核心输入变量，直接影响贷款产品的利率、额度及风险准备金计提。
关键定义： PD = 违约客户数 / 总样本客户数，取值范围 [0,1]。在零售信贷中，通常将逾期 ≥ 90天 或进入核销状态的客户定义为违约样本。
| 维度 | 说明 |
|---|---|
| 预测目标 | 未来12个月内是否发生违约（二分类） |
| 时间窗口 | 表现期（Performance Window），通常为12个月 |
| 观察点 | 模型评分时点，特征数据截止日 |
| 输出形式 | 连续概率值（0~1）或等级映射（A~G） |
| 常用算法 | 逻辑回归、XGBoost、LightGBM、神经网络 |
1.2 PD模型在额度定价中的作用
PD模型是风险定价引擎的第一道阀门。在额度定价决策链中，PD模型输出的违约概率与LGD（违约损失率）、EAD（违约风险暴露）共同构成预期损失（EL）的计算基础，进而决定风险调整后的定价水平。
定价公式核心： 利率 = 资金成本 + 运营成本 + 预期损失（PD × LGD × EAD） + 目标利润率 + 风险溢价
PD模型在额度定价中的具体作用体现在以下四个层面：
- 风险分层定价： 根据PD值将客户划分为不同风险等级，高风险客户匹配更高利率，低风险客户享受优惠利率。
- 额度上限约束： PD值超过阈值（如5%）的客户自动触发额度上限下调或拒绝策略。
- 动态调价依据： 模型定期重训后，PD变化趋势可作为利率调整的量化依据。
- 资本计量支撑： 内部评级法下，PD是计算风险加权资产（RWA）和监管资本的核心参数。
1.3 模型生命周期管理
PD模型不是一次性开发交付的静态产物，而是需要贯穿全生命周期持续监控、迭代和治理的工程体系。一个完整的PD模型生命周期包含以下六个阶段：
| 阶段 | 核心活动 | 关键产出 |
|---|---|---|
| 1. 需求与设计 | 业务目标对齐、样本定义、表现期设定、特征工程方案 | 模型需求文档（MRD） |
| 2. 开发与训练 | 数据清洗、特征筛选、算法选型、参数调优、模型训练 | 模型开发报告、训练代码 |
| 3. 验证与评审 | 区分度（KS/AUC）、校准度（H-L检验）、稳定性（PSI）验证 | 模型验证报告 |
| 4. 部署与上线 | 模型封装、API对接、A/B测试、灰度发布 | 部署文档、上线审批 |
| 5. 监控与报告 | 每日/周/月监控PSI、KS、坏账率偏差、特征分布漂移 | 监控看板、月度报告 |
| 6. 迭代与退役 | 模型衰退评估、版本升级、旧模型下线 | 迭代计划、退役审批 |
常见陷阱： 许多团队在模型上线后忽视持续监控，导致模型在客群结构变化或经济周期波动时出现严重偏差，却未能及时发现。建议至少每月计算一次PSI（群体稳定性指标），当PSI > 0.1 时触发预警，PSI > 0.25 时启动模型重训。
1.4 模型治理与文档规范
在金融监管趋严的背景下，PD模型的可解释性和可审计性已成为合规底线。建议在模型生命周期各阶段保留完整的文档记录：
- 模型风险分级： 根据PD模型对资本计量和定价的影响程度，划分为高风险、中风险、低风险三级，不同级别对应不同的验证频率和审批流程。
- 版本管理： 每次模型迭代需记录版本号、变更内容、训练时间窗口、验证指标对比，确保可追溯。
- 模型卡片（Model Card）： 记录模型用途、训练数据、性能指标、公平性评估、限制条件等元信息，便于跨团队协作和监管检查。
最佳实践： 建议在模型上线前完成 模型影响评估，模拟PD模型变化对定价策略、通过率、预期损失和资本占用的影响，避免模型迭代引发业务波动。