📚 课程目录第2章贷后预警基础概念

2. 贷后预警基础概念

贷后预警是信贷风险管理中承上启下的关键环节，其核心目标是在风险暴露的早期阶段识别异常信号，为贷后催收、额度调整、资产保全等动作争取时间窗口。本章从贷后管理流程出发，系统梳理预警的定义、分类以及尖峰告警的典型业务场景。

2.1 贷后管理全流程

贷后管理覆盖从放款到结清的完整生命周期，通常划分为四个阶段：

阶段	核心动作	时间窗口	主要目标
贷后监控	数据采集、指标计算、规则预警	放款后第1天起持续	实时发现风险信号
预警排查	预警工单生成、人工/自动核查	预警触发后24h内	确认风险真实性
处置干预	催收、冻结、降额、展期	确认风险后立即	控制损失扩大
复盘优化	预警效果评估、模型迭代	月度/季度	提升预警准确率

实战要点：贷后预警并非孤立环节，它与贷前审批模型、贷中监控系统共享同一套特征工程体系。预警信号的质量高度依赖底层数据的时效性与完整性。

2.2 预警的定义与分类

贷后预警是指基于借款人贷后行为数据、外部征信数据、多头借贷数据等，通过规则或模型判断其未来逾期/违约风险上升的过程。按触发方式与时间维度，预警可分为以下三类：

规则预警：基于固定阈值或业务经验，如“近7天多头借贷机构数 > 5”触发告警。优点是解释性强，缺点是静态阈值难以适应客群变化。
模型预警：使用机器学习模型（如XGBoost、LightGBM）输出风险概率分数，动态设定告警阈值。优点是捕捉非线性关系，缺点是模型维护成本高。
尖峰告警：针对指标在短时间内出现剧烈波动（如逾期率日环比突增50%）的告警类型，是模型预警的重要补充，也是本课程的核心场景。

  关键区别：规则预警关注“是否超过阈值”，模型预警关注“风险概率是否上升”，而尖峰告警关注“变化速率是否异常”。三者可组合使用，形成多层预警体系。

2.3 尖峰告警的典型场景

尖峰告警在贷后风控中具有极高的业务价值，以下三个场景最为典型：

逾期率突增：某产品线或客群在1-3天内逾期率从2%跳升至8%，可能由外部冲击（如行业政策变化）、内部运营事故（如还款通道故障）或欺诈团伙集中攻击导致。
多头借贷激增：借款人在短时间内向多家平台申请贷款，多头借贷机构数从3家激增至15家，通常预示资金链断裂或共债风险爆发。
行为数据异常：如设备指纹突变、GPS位置漂移、联系人通话频率骤降等，往往与失联风险或账户盗用相关。

下图展示了尖峰告警在贷后预警体系中的位置与数据流向：

常见误区：很多团队将尖峰告警等同于“阈值调低”，这是错误的。尖峰告警的核心在于检测变化速率而非绝对水平。例如，逾期率从1%升至2%（+100%环比）比从10%升至12%（+20%环比）更值得关注，尽管后者绝对值更高。

2.4 尖峰告警的数学定义

在贷后预警场景中，尖峰告警通常基于以下统计量定义：

# 尖峰检测的常见指标
1. 环比变化率：Δ = (V_t - V_{t-1}) / V_{t-1}
2. Z-Score：Z = (V_t - μ) / σ
3. 移动平均偏差：MAD = |V_t - MA_k| / MA_k

# 告警触发条件（示例）
if Δ > 0.5 and V_t > 0.03:  # 环比增长超过50%且绝对值超过3%
    trigger_alert("逾期率尖峰告警")

下表对比了三种尖峰检测方法的适用场景：

方法	适用场景	优点	缺点
环比变化率	短期波动明显、基数稳定	计算简单、解释性强	对基数敏感（小基数易误报）
Z-Score	历史数据充足、分布近似正态	考虑历史波动幅度	对异常值敏感
移动平均偏差	趋势性数据、季节性明显	平滑噪声、适应趋势	滞后性（MA窗口选择依赖经验）

下图以逾期率为例，直观展示尖峰告警的检测逻辑：

  实战建议：在构建XGBoost尖峰告警模型时，建议将上述三种检测方法的输出作为特征输入模型，而非直接作为告警规则。模型可以学习不同场景下哪种检测方法更可靠，从而提升告警的准确率与召回率。