3. 客户信用评级体系：评级模型构建、评级等级划分、评级与定价映射
信用评级体系是信用额度定价的基石。一个科学、稳健的内部评级体系能够准确量化客户的违约风险，并将风险水平直接映射到价格参数（利率、费率、额度系数）上。本章从模型构建、等级划分、定价映射三个核心环节展开。
3.1 评级模型构建
评级模型的核心目标是预测客户在未来一定时期（通常为12个月）内的违约概率（PD, Probability of Default）。构建流程通常分为数据准备、特征工程、模型训练与验证四个阶段。
3.1.1 数据准备与样本定义
- 观察点与表现期：选取历史时间点作为观察点，向后延伸12个月作为表现期，标记客户是否发生违约。
- 样本构成：通常包含“好客户”（正常履约）与“坏客户”（逾期90天以上或发生核销）。建议采用坏账率不低于3%的样本集以保证模型区分度。
- 数据清洗：剔除缺失率超过50%的变量，对异常值进行截尾处理（如1%和99%分位数）。
3.1.2 特征工程与筛选
特征变量通常分为四大类：
| 变量类别 | 典型指标 | 数据来源 |
|---|---|---|
| 还款能力 | 月收入、负债收入比（DTI）、资产负债率 | 申请表、征信报告 |
| 还款意愿 | 历史逾期次数、征信查询次数、信用卡使用率 | 征信报告、内部行为数据 |
| 稳定性 | 现单位工作年限、居住稳定性、婚姻状况 | 申请表 |
| 外部环境 | 行业景气指数、地区GDP增速、司法涉诉记录 | 外部数据源、司法公开数据 |
特征筛选采用IV值（Information Value）与单变量LR检验相结合：
- IV < 0.02：无预测能力，剔除；
- 0.02 ≤ IV < 0.1：弱预测能力，谨慎保留；
- IV ≥ 0.1：强预测能力，优先保留。
3.1.3 模型训练与校准
业界主流采用逻辑回归（Logistic Regression）作为基准模型，因其可解释性强、监管接受度高。对于高维非线性场景，可引入XGBoost或LightGBM作为辅助模型，但最终评分卡通常以逻辑回归输出为准。
# 逻辑回归模型训练示例（Python伪代码）
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.3, random_state=42)
model = LogisticRegression(penalty='l2', C=1.0, class_weight='balanced')
model.fit(X_train, y_train)
# 输出模型区分度指标
from sklearn.metrics import roc_auc_score
y_pred_proba = model.predict_proba(X_test)[:, 1]
print(f"模型 AUC: {roc_auc_score(y_test, y_pred_proba):.4f}")
模型验证要点：除AUC外，还需关注KS值（Kolmogorov-Smirnov）（应≥0.3）和PSI（群体稳定性指标）（应<0.1），确保模型在时间外样本上表现稳定。
3.2 评级等级划分
模型输出的连续PD值需要映射为离散的信用等级，以便于业务理解和定价决策。等级划分需遵循风险区分度与等级稳定性双重原则。
3.2.1 等级数量与命名
通常设置7~15个等级。以10级体系为例：
| 等级 | 等级名称 | PD区间（年化） | 风险描述 |
|---|---|---|---|
| AAA | 最优 | [0, 0.1%) | 极低风险，信用极优 |
| AA | 优秀 | [0.1%, 0.3%) | 低风险，信用优良 |
| A | 良好 | [0.3%, 0.8%) | 较低风险，信用良好 |
| BBB | 中等偏上 | [0.8%, 1.5%) | 中等风险，可接受 |
| BB | 中等 | [1.5%, 3.0%) | 中等偏高风险，需关注 |
| B | 中等偏下 | [3.0%, 5.0%) | 较高风险，审慎授信 |
| CCC | 差 | [5.0%, 10.0%) | 高风险，严格限制 |
| CC | 很差 | [10.0%, 20.0%) | 很高风险，仅限催收 |
| C | 极差 | [20.0%, 50.0%) | 极高风险，拒绝授信 |
| D | 违约 | 100% | 已发生违约事件 |
3.2.2 等级划分方法
- 等距法：将PD值域等分为N段。简单但容易导致某等级客户过少。
- 分位数法：按样本PD分布的分位数划分，保证每个等级客户数量大致均衡。推荐用于零售业务。
- 最优分割法：基于IV值最大化或Lift值寻找最佳切点，兼顾区分度与业务含义。
等级划分避坑：避免出现“空等级”（无客户落入）或“巨无霸等级”（超过40%客户集中在同一等级）。空等级会导致定价无法差异化；巨无霸等级则说明模型区分度不足，需重新调整切点或优化特征。
3.3 评级与定价映射
评级映射的核心是将信用等级转化为具体的风险溢价，叠加资金成本、运营成本与目标利润率，形成最终定价。
3.3.1 风险溢价计算模型
基于风险中性定价原理，贷款利率应至少覆盖预期损失：
贷款利率 = 资金成本 + 运营成本 + 风险溢价 + 目标利润率
其中：
风险溢价 = 预期损失率 = PD × LGD × EAD / 贷款余额
- PD：违约概率（由评级等级确定）
- LGD：违约损失率（通常取40%~60%）
- EAD：违约风险暴露（通常取当前余额或授信额度）
3.3.2 等级-利率映射表
以下为某消费金融公司的实际映射示例（假设资金成本3%，运营成本2%，目标利润率2%）：
| 信用等级 | PD（%） | LGD（%） | 风险溢价（%） | 建议年化利率（%） |
|---|---|---|---|---|
| AAA | 0.05 | 45 | 0.02 | 7.02 |
| AA | 0.20 | 45 | 0.09 | 7.09 |
| A | 0.55 | 45 | 0.25 | 7.25 |
| BBB | 1.15 | 45 | 0.52 | 7.52 |
| BB | 2.25 | 45 | 1.01 | 8.01 |
| B | 4.00 | 45 | 1.80 | 8.80 |
| CCC | 7.50 | 45 | 3.38 | 10.38 |
| CC | 15.00 | 45 | 6.75 | 13.75 |
| C | 35.00 | 45 | 15.75 | 22.75 |
| D | 100.00 | 45 | 45.00 | 拒绝授信 |
3.3.3 动态调整机制
评级与定价映射并非一成不变，需建立季度/年度回检机制：
- PD校准：若某等级实际违约率连续两个季度偏离预期PD超过20%，需调整该等级PD值或重新划分等级边界。
- LGD更新：根据实际回收数据，每半年更新一次LGD参数。
- 价格弹性测试：高等级客户利率下调后是否导致需求激增？低等级客户利率上调后是否导致流失率上升？需结合价格弹性系数进行优化。
案例：某银行信用卡中心评级映射优化
该行原采用“一刀切”利率（15%），导致低风险客户流失、高风险客户逆向选择。引入10级评级体系后，AAA级客户利率降至7.5%，BBB级客户利率升至10.2%，整体不良率下降1.8个百分点，同时优质客户留存率提升12%。评级映射的核心价值在于风险与价格的精准匹配。
该行原采用“一刀切”利率（15%），导致低风险客户流失、高风险客户逆向选择。引入10级评级体系后，AAA级客户利率降至7.5%，BBB级客户利率升至10.2%，整体不良率下降1.8个百分点，同时优质客户留存率提升12%。评级映射的核心价值在于风险与价格的精准匹配。
3.4 评级体系架构总览
下图展示了从数据输入到定价输出的完整信用评级体系架构：
3.5 评级体系验证与监控
评级体系上线后需持续监控以下核心指标：
| 监控维度 | 核心指标 | 预警阈值 | 监控频率 |
|---|---|---|---|
| 区分度 | AUC / KS | AUC < 0.7 或 KS < 0.25 | 月度 |
| 稳定性 | PSI | PSI > 0.1 | 月度 |
| 校准度 | 实际违约率 vs 预期PD | 偏差 > 20% 连续2个月 | 季度 |
| 等级分布 | 各等级客户占比 | 单一等级占比 > 40% | 月度 |
| 定价合理性 | 各等级实际收益率 | 风险调整后收益为负 | 季度 |
最佳实践：建议建立评级体系看板，将上述指标以可视化方式实时展示。当任一指标触发预警时，自动通知模型团队与风险审批团队，启动评级体系紧急回检流程。
通过以上三个环节的紧密衔接——模型构建提供精准的PD预测，等级划分实现风险分层，定价映射将风险转化为价格——信用评级体系才能真正成为额度定价的“风险标尺”，在控制风险的同时最大化收益。