2. 信贷风控基础回顾
2.1 信贷业务流程简介
信贷业务从用户申请到最终结清，通常经历四个核心阶段：贷前、贷中、贷后。每个阶段对应不同的风控目标和数据输入。
| 阶段 | 核心动作 | 风控目标 | 主要数据来源 |
|---|---|---|---|
| 贷前 | 申请、反欺诈、准入 | 拒绝高风险申请，防止欺诈 | 申请表、征信报告、三方数据 |
| 贷中 | 放款、额度管理、交易监控 | 监控用户还款能力变化，控制风险敞口 | 还款记录、交易流水、多头借贷 |
| 贷后 | 催收、核销、资产处置 | 最大化回收，最小化损失 | 催收记录、失联信息、资产线索 |
业务视角提示： 阈值漂移在贷前、贷中、贷后均可能发生。例如，贷前评分卡阈值漂移会导致通过率异常波动；贷中行为评分卡阈值漂移可能引发额度误调。
2.2 风控模型简介
信贷风控模型本质上是概率预测模型，用于量化用户的违约风险。根据应用阶段不同，主要分为三类评分卡：
2.2.1 申请评分卡 (Application Scorecard)
- 应用阶段： 贷前审批。
- 预测目标： 用户在未来一段时间内（如12个月）发生逾期（如M1+）的概率。
- 输入特征： 年龄、收入、职业、征信查询次数、负债率等。
- 输出形式： 通常为整数分数（如300-850分），分数越高代表风险越低。
2.2.2 行为评分卡 (Behavior Scorecard)
- 应用阶段： 贷中管理。
- 预测目标： 用户未来一段时间内行为恶化的概率（如额度使用率飙升、还款意愿下降）。
- 输入特征： 近6个月还款行为、额度使用率、交易频次、逾期历史等。
- 输出形式： 分数或风险等级（A/B/C/D）。
2.2.3 催收评分卡 (Collection Scorecard)
- 应用阶段： 贷后催收。
- 预测目标： 已逾期用户在不同催收策略下的还款概率或回收率。
- 输入特征： 逾期天数、历史催收接触次数、承诺还款金额、失联状态等。
- 输出形式： 催收优先级分数或策略分组（如高、中、低优先级）。
模型对比要点： 三类模型的核心区别在于预测窗口和输入特征。申请评分卡依赖静态的申请信息，行为评分卡依赖动态的行为数据，催收评分卡依赖逾期后的交互数据。
2.3 模型输出与决策阈值的关系
风控模型输出的是一个连续值（分数或概率），而业务决策是离散动作（通过/拒绝、提额/降额、催收策略A/B）。连接两者的桥梁就是决策阈值。
2.3.1 阈值的作用机制
以申请评分卡为例，假设模型输出分数范围为300-850分，业务设定阈值600分：
- 分数 ≥ 600：决策为通过。
- 分数 < 600：决策为拒绝。
阈值决定了通过率和坏账率之间的平衡。阈值越高，通过率越低，但通过客群质量越好（坏账率低）。
2.3.2 阈值漂移的定义
阈值漂移是指：在模型本身未重新训练的情况下，由于客群分布变化、数据源质量下降或外部经济环境波动，导致模型输出分数的分布发生偏移，进而使得原有固定阈值下的业务指标（如通过率、逾期率）出现异常波动。
常见误区： 阈值漂移 ≠ 模型失效。模型可能仍然有效，但分数分布整体右移或左移，导致原有阈值不再适用。例如，客群质量整体变好时，固定阈值会导致通过率异常升高。
2.3.3 阈值漂移的量化指标
监控阈值漂移通常关注以下指标的变化：
| 指标名称 | 定义 | 漂移方向 | 业务影响 |
|---|---|---|---|
| 通过率 | 分数 ≥ 阈值的申请占比 | 上升 / 下降 | 风险敞口扩大 / 业务量萎缩 |
| 平均分数 | 所有申请分数的均值 | 上升 / 下降 | 客群质量变化 |
| 分数标准差 | 分数分布的离散程度 | 增大 / 缩小 | 模型区分度变化 |
| PSI (群体稳定性指标) | 衡量分数分布与基准分布的差异 | > 0.1 视为显著漂移 | 需要排查漂移原因 |
2.4 阈值漂移的自动巡查必要性
在信贷业务中，阈值漂移如果未被及时发现，会导致以下后果：
- 风险失控： 通过率异常升高，引入大量高风险客户，导致坏账激增。
- 业务损失： 通过率异常降低，拒绝大量优质客户，导致业务量萎缩。
- 策略失效： 催收评分卡阈值漂移可能导致高优先级客户被错误分配低效催收策略。