信贷风控中的通过率、逾期率与规模平衡策略

1. 风控策略的核心矛盾解析

从事信贷风控工作十几年，我深刻体会到这个行业的本质就是在各种矛盾中寻找平衡点。最近和几位同行交流时，大家都不约而同地提到了一个经典难题：当通过率、逾期率和业务规模这三个关键指标同时摆在面前时，究竟应该优先保障哪个？这就像金融领域的"蒙代尔不可能三角"一样，三者很难同时达到最优状态。

在实际业务场景中，这个三角关系表现为：提高通过率往往意味着降低风控标准，逾期风险随之上升；严格控制逾期率又会导致通过率下降，影响业务规模扩张；而追求规模快速增长时，通常需要放宽风控尺度，这又会对资产质量形成压力。去年我们团队接手的一个消费金融项目就典型地反映了这个问题——在季度考核压力下，业务部门要求将审批通过率从35%提升到45%，但同时要求30天逾期率不能超过1.2%，还要确保当月放款规模环比增长20%。

关键提示：这三个指标间的动态平衡关系，会随着市场环境、资金成本、客群结构等因素的变化而不断调整，没有放之四海而皆准的黄金比例。

2. 指标间的动态博弈机制

2.1 通过率与逾期率的反比关系

从风控建模的角度看，通过率和逾期率存在天然的负相关性。当我们使用评分卡模型时，如果将审批分数线从650分下调到600分，通过率通常会显著提升，但同时也会纳入更多信用资质相对较弱的客群。根据我们的历史数据统计，分数线每降低50分，通过率平均提升8-12个百分点，但相应的首期逾期率会增加0.3-0.5个百分点。

这种关系可以通过风险收益曲线直观展示：

2.2 规模扩张对风控体系的压力测试

当业务进入快速增长期时，风控策略往往会面临双重挑战。一方面，新增客群中非核心用户的占比会自然上升，这部分用户的信用特征可能与原有模型训练样本存在偏差。另一方面，为了满足放款量目标，审批流程可能会被压缩，人工复核环节减少，这些都可能导致风险敞口扩大。

我们曾经做过一个对比实验：在保持风控策略不变的情况下，将单日申请量从5000单提升到20000单时，虽然整体通过率维持在同一水平，但逾期率却上升了40%。这主要是因为：

1. 渠道质量稀释效应
2. 反欺诈系统压力增大
3. 人工复核效率下降

2.3 资金成本对指标平衡的影响

不同资金渠道对风险指标的容忍度差异很大。比如银行资金通常要求30天逾期率控制在1%以内，对应的通过率可能只有30-35%；而部分信托资金可以接受1.5-2%的逾期率，这样通过率就可以放宽到40-45%。这就需要在产品设计阶段就明确资金方的风险偏好，制定差异化的风控策略。

3. 不同阶段的策略优先级选择

3.1 初创期：规模优先策略

对于刚起步的金融业务，获取足够的业务量往往是首要目标。这个阶段通常会采取以下策略：

• 适当放宽评分卡阈值（如从650分降到620分）
• 增加人工复核的弹性空间
• 对部分边缘客群设置观察期
• 建立快速调额机制

但需要注意三个关键控制点：

1. 单户授信额度上限控制
2. 高风险渠道流量占比监控
3. 早期逾期预警机制建设

3.2 成长期：质量优化策略

当业务量达到一定规模后（通常月放款超过5亿），重点会转向资产质量优化。这个阶段的典型做法包括：

• 引入行为评分模型进行贷后管理
• 建立动态额度调整机制
• 对高风险渠道实施流量限制
• 优化催收策略和资源配置

我们曾经通过以下调整在三个月内将逾期率从1.8%降到1.3%，同时保持规模稳定：

python复制# 示例：动态额度调整算法
def calculate_adjusted_limit(base_score, behavior_score):
    risk_factor = (800 - base_score)/200 * 0.6 + (100 - behavior_score)/100 * 0.4
    adjustment = 1 - risk_factor * 0.7  # 最大下调30%
    return base_limit * adjustment

3.3 成熟期：精细平衡策略

进入稳定运营阶段后，需要建立更精细化的指标平衡机制。我们目前采用的解决方案包括：

1. 分客群差异化策略：

   • 核心客群：高通过率+低额度
   • 次优客群：中通过率+动态定价
   • 边缘客群：低通过率+高利率

2. 实时风控看板监控：

   • 每小时更新通过率/逾期率趋势
   • 自动预警指标异常波动
   • 策略AB测试效果对比

3. 弹性阈值调整机制：

   • 根据资金充裕度自动调节
   • 结合市场环境动态优化
   • 考虑季节性因素调整

4. 实用平衡工具与方法论

4.1 风险收益平衡矩阵

这是一个在实际工作中非常实用的决策工具，通过将客户划分为9个格子，为每个格子制定差异化策略：

4.2 动态策略调参方法

我们开发了一套基于机器学习的策略参数动态调整系统，主要逻辑包括：

1. 实时监控核心指标走势
2. 预测不同策略组合的效果
3. 自动生成调整建议
4. 人工确认后实施

关键参数调整范围：

• 评分卡阈值：±50分
• 人工复核比例：20%-80%
• 单笔额度范围：50%-150%基准值
• 利率浮动区间：±30%基准

4.3 压力测试与情景规划

定期进行以下情景测试非常重要：

1. 极端市场环境测试（如经济下行期）
2. 渠道质量突变测试（如某个核心渠道流量质量下降）
3. 政策变化影响测试（如监管利率上限调整）
4. 黑天鹅事件测试（如区域性突发事件）

测试时需要关注的关键指标变化：

• 通过率波动幅度
• 逾期率爬升速度
• 早期逾期指标变化
• 催收效率变化

5. 实战经验与避坑指南

5.1 我们踩过的三个典型坑

1. 过度依赖历史数据：在2018年现金贷整顿期间，沿用之前的风控模型导致逾期率飙升。教训是模型需要定期retrain，特别要包含近期拒绝样本的替代数据。

2. 忽视渠道质量变化：某个合作渠道前期质量很好，但当其开始大规模买量后，我们没及时调整策略，导致该渠道逾期率从1.5%飙升至4%。

3. AB测试设计缺陷：曾经同时调整了评分卡阈值和人工复核比例两个变量，结果无法准确归因。现在坚持每次只测试一个变量。

5.2 七个实用小技巧

1. 建立早期预警指标：我们发现M1逾期率与首期还款日前3天的还款意愿强相关。

2. 人工复核重点放在"灰色地带"客户（评分620-650分区间），这个区间通过率提升1%对整体质量影响很小。

3. 对于规模压力，优先考虑提升优质客群的额度使用率，而不是降低审批标准。

4. 定期分析拒绝客户的后续表现（通过同业数据共享），验证风控策略的有效性。

5. 建立"策略沙盒"环境，所有调整先在小流量测试，验证效果后再全量。

6. 逾期管理要前置，在放款环节就设计好差异化催收策略。

7. 保持一定比例的"策略冗余"，在市场突变时有调整空间。

5.3 团队协作要点

在实际工作中，风控团队需要特别注意与业务部门的沟通方式：

• 用业务能理解的语言解释风险（比如把逾期率换算成可能损失的利润）
• 提供替代方案而不仅仅是拒绝（如建议调整产品参数而非简单否决）
• 定期共同review指标，建立互信
• 建立联合KPI，避免目标冲突

6. 未来演进方向

当前我们正在探索的几个创新方向可能为解决这个三角难题提供新思路：

1. 实时动态定价系统：

   • 根据客户实时风险表现调整利率
   • 结合资金成本动态变化
   • 考虑客户生命周期价值

2. 客户风险成长轨迹分析：

   • 识别客户信用状况改善趋势
   • 对"风险改善中"客户给予策略优惠
   • 建立风险预警和机会发现的统一框架

3. 联合建模与数据共享：

   • 与同业机构建立合规数据共享机制
   • 通过联邦学习提升模型效果
   • 建立行业级风险预警网络

4. 增强型决策辅助系统：

   • 整合多维度实时数据
   • 提供策略调整模拟推演
   • 自动生成平衡方案建议

在实际操作中，我发现最有效的做法是为每个业务阶段制定明确的优先级排序，但同时保留足够的策略弹性。比如在季度初可以稍微向规模倾斜，季度末则更关注资产质量；资金宽松时可以提高通过率，资金紧张时则收紧标准。关键是要建立灵敏的监测机制和快速的策略响应能力，避免陷入非此即彼的二元选择。