四、额度策略核心指标

额度策略的监控与优化依赖于一套相互关联的核心指标。这些指标从规模、使用效率、风险损失三个维度刻画额度资产的表现，是风险定价与动态调额的基础数据输入。

4.1 指标定义与计算公式

4.2 指标间的动态关系

五个指标并非独立存在，它们构成一个动态平衡系统。额度策略调整会沿以下传导路径影响其他指标：

1. 提额 → 使用率下降：若客户需求不变，单纯提高额度会稀释使用率，可能掩盖真实资金需求。
2. 使用率上升 → 户均余额上升：高使用率客户通常余额更高，但同时也意味着更高的违约风险暴露。
3. 周转率 × 使用率 → 资产收益：高周转率配合合理使用率，才能产生足够的利息收入覆盖风险成本。
4. 额度损失率 → 定价底线：LLR 直接决定风险定价中的风险溢价部分，是利率下限的锚点。

4.3 额度核心指标关系图

下图展示了五个核心指标之间的因果与反馈关系，帮助理解额度策略调整的全局影响：

4.4 指标监控与阈值参考

不同产品类型对应的健康指标区间差异显著。以下为行业常见参考阈值：

4.5 指标在风险定价中的应用

五个核心指标直接参与风险定价模型的构建，具体应用方式如下：

• 授信额度 → 风险分层：额度高低本身就是风险分层的输出结果，高额度客群通常对应低风险评分区间。
• 使用率 → 资金成本分摊：低使用率客户占用了额度资源却未产生足够利息，需在定价中增加额度占用成本。
• 户均余额 → 风险集中度调整：户均余额过高时，需在定价中加入集中度风险溢价，防止单户违约对组合造成过大冲击。
• 额度周转率 → 期限溢价：周转率低意味着资金占用时间长，流动性风险高，定价中应包含期限溢价。
• 额度损失率 → 风险溢价核心：LLR 是风险定价中预期损失 (EL) 的直接体现，公式为：风险溢价 = LLR × 损失给定位阶系数。

4.6 指标异常诊断清单

当监控发现指标偏离阈值时，可按以下清单快速定位问题：

4.7 指标计算代码示例

以下 Python 代码演示如何从交易数据中批量计算五个核心指标：

import pandas as pd
import numpy as np

def calculate_limit_metrics(df, period_start, period_end):
    """
    计算额度策略核心指标
    
    参数:
    df : DataFrame - 包含字段: user_id, credit_limit, balance, 
                      loan_amount, loss_amount, as_of_date
    period_start, period_end : str - 分析期间
    
    返回:
    dict - 五个核心指标值
    """
    # 筛选期间数据
    period_df = df[(df['as_of_date'] >= period_start) & 
                   (df['as_of_date'] <= period_end)]
    
    # 1. 授信额度 - 期末总授信
    total_cl = period_df['credit_limit'].max()
    
    # 2. 使用率 - 期末余额 / 期末授信
    current_balance = period_df['balance'].iloc[-1]
    current_limit = period_df['credit_limit'].iloc[-1]
    utilization_rate = current_balance / current_limit
    
    # 3. 户均余额 - 总余额 / 活跃账户数
    active_users = period_df[period_df['balance'] > 0]['user_id'].nunique()
    avg_balance = current_balance / active_users if active_users > 0 else 0
    
    # 4. 额度周转率 - 期间总放款 / 平均授信
    total_loan = period_df['loan_amount'].sum()
    avg_limit = period_df['credit_limit'].mean()
    turnover_rate = total_loan / avg_limit if avg_limit > 0 else 0
    
    # 5. 额度损失率 - 期间坏账损失 / 平均授信
    total_loss = period_df['loss_amount'].sum()
    loss_rate = total_loss / avg_limit if avg_limit > 0 else 0
    
    return {
        'total_credit_limit': total_cl,
        'utilization_rate': round(utilization_rate, 4),
        'avg_balance_per_user': round(avg_balance, 2),
        'limit_turnover_rate': round(turnover_rate, 4),
        'limit_loss_rate': round(loss_rate, 4)
    }

# 使用示例
# metrics = calculate_limit_metrics(loan_data, '2024-01-01', '2024-03-31')
# print(metrics)