土法炼钢兴趣小组的算法知识备份

【金融科技工程】信用风险与授信决策：评分卡、A/B/C 卡、BNPL 与公平借贷

2026-04-22 · architecture · fintech · #credit-risk #fico #scorecard #lightgbm #woe #bnpl #abs #pboc-credit #fair-lending

文章导航

分类入口
architecturefintech
标签入口
#credit-risk#fico#scorecard#lightgbm#woe#bnpl#abs#pboc-credit#fair-lending

目录

引言：借钱这件事，工程上到底难在哪

前面第 20 篇讲反欺诈、第 21 篇讲反洗钱与 KYC，它们回答的是”这个人是不是坏人、这笔交易是不是脏钱”。本篇进入另一个维度：这个人借了钱之后，到底会不会还。

这是整个金融业最古老的命题。2500 年前巴比伦的《汉谟拉比法典》里已经有对借贷利率的规定（谷物年息 33.3%、白银 20%）；1956 年费埃哲（Fair Isaac Corporation）在斯坦福研究所写出第一版信用评分卡的时候，他们还在用打孔卡做逻辑回归。到了 2026 年，信用风险决策的形态已经完全不同：

工程上难在三件事。

第一，样本偏差。 你训练模型只能用”已放款并且有还款表现”的样本，但决策时要给”还没放款的人”打分——这就是经典的拒绝推断（Reject Inference）问题。一个线上跑了两年的模型，它看到的世界是被上一代模型筛选过的，越跑越窄。

第二，表现周期长。 一笔 12 期分期，你真正知道客户好坏要等 6–12 个月（所谓 MOB 6/MOB 12，Months On Book）。模型发布到观测到效果有半年以上的时间滞后，而经济周期、黑产策略、业务规则每周都在变。

第三，合规约束硬。 风控模型必须可解释（欧盟 GDPR 第 22 条、中国《个保法》第 24 条自动化决策条款）、不歧视（美国 ECOA Equal Credit Opportunity Act、Fair Housing Act）、利率不超红线（中国 LPR 4 倍 / 24%/36% 三线、美国各州 Usury Law）。一个在 AUC（Area Under Curve）上赢 2 个点的黑盒深度模型，可能因为拒绝解释不过合规评审。

本篇的目标读者：

本篇是系列第 22 篇，是继反欺诈（第 20 篇）、反洗钱（第 21 篇）之后的风控三部曲收官。之后第 23 篇进入对账系统，那是把本篇”资金-账本-催收”闭环落到账务口径的下游。

本篇阅读路径

新接触风控的读者建议顺序读；有风控经验、主要想看工程与合规的读者可以直接跳到 §4–§10。

一、授信全链路：从一次申请看清楚一切

先把图画出来。一笔消费贷款从用户点”立即申请”到贷后回收，要经过十几个节点。

1.1 全链路拓扑图

flowchart TB
    A[用户发起申请<br/>APP/H5/商户收银台] --> B[反欺诈<br/>设备指纹/IP/黑名单]
    B --> C[身份核验<br/>实名四要素/活体/OCR]
    C --> D[数据采集<br/>征信/运营商/电商/社保]
    D --> E[特征工程<br/>派生变量/WOE 编码]
    E --> F[A 卡评分<br/>申请评分模型]
    F --> G{决策引擎}
    G -->|拒绝| R1[拒绝理由/挽回]
    G -->|人工| R2[人工审核队列]
    G -->|通过| H[额度模型]
    H --> I[定价引擎<br/>基于 PD/LGD/EAD]
    I --> J[合同签约/电子签名]
    J --> K[资金方匹配<br/>自营/助贷/联合贷]
    K --> L[放款指令<br/>支付通道]
    L --> M[贷后监控<br/>B 卡行为评分]
    M --> N{还款}
    N -->|按时| O[正常结清/循环授信]
    N -->|逾期| P[催收<br/>C 卡催收评分]
    P --> Q1[M1 短信/IVR]
    P --> Q2[M2 人工外呼]
    P --> Q3[M3+ 委外/诉讼]
    P --> S[展期/减免/核销]
    S --> T[不良处置<br/>ABS/AMC/转让]

1.2 每个节点在做什么、耗时多少

以一笔典型消费贷（额度 1–20 万元，期限 3–24 期）为例：

节点 耗时 核心工作 通过率
反欺诈 50ms 设备指纹、代理 IP、黑名单、GPS 异常、申请频次 85–95%
身份核验 1–5s 公安四要素、运营商三要素、银行卡核身、活体+OCR 90–97%
征信拉取 200ms–2s 人行征信、百行征信、三方数据并行 近 100%
特征加工 50–200ms 200–2000 个派生变量 —
A 卡评分 10ms LR/XGBoost 推理 20–60%（新户）
额度定价 20ms 规则 + 回归模型 —
合同/签约 用户侧 电子签名、利率明示、合规披露 80–95%
放款 秒级–分钟 对接资金方、支付通道 近 100%

端到端，纯线上流程目标是 30 秒内给结果、5 分钟内放款到账。这个体验是 2015 年之后才真正工程化下来的。

1.3 决策引擎：规则、策略、模型三位一体

风控决策不是一个模型输出一个分数就完了，而是一棵决策树 + 规则集 + 模型集成的组合：

# 伪代码：一次授信决策
def credit_decision(application):
    # 第一层：硬规则（Hard Rule）直接拒绝
    if application.age < 18 or application.age > 65:
        return reject("REJECT_AGE")
    if application.id in blacklist:
        return reject("REJECT_BLACKLIST")
    if pboc_query(application.id).overdue_90d_count > 0:
        return reject("REJECT_PBOC_OVERDUE")

    # 第二层：反欺诈模型
    fraud_score = fraud_model.predict(application)
    if fraud_score > 0.85:
        return reject("REJECT_FRAUD")

    # 第三层:A 卡评分
    credit_score = credit_a_card.predict(application)
    if credit_score < 550:
        return reject("REJECT_LOW_SCORE")

    # 第四层：额度+定价
    credit_limit = limit_model.predict(application, credit_score)
    apr = pricing_engine.price(application, credit_score, credit_limit)
    if apr > 24.0:  # 红线
        return reject("REJECT_APR_CEILING")

    # 第五层：灰度/冠军挑战者（Champion/Challenger）
    if ab_bucket(application) == "challenger":
        credit_limit *= 1.2  # 挑战新策略

    return approve(credit_limit, apr)

真实生产环境里，这棵决策树有 50–200 个节点，每个节点都有独立的效果监控（通过率、坏账率、用户分布）。决策引擎框架常见选择：开源的 Drools、URule；自研的规则 DSL + 特征服务；大厂（蚂蚁 MYbank、微众 WeBank）内部有基于 Flink/Storm 的实时决策流。

1.4 决策全链路的数据契约

下面给出一个接近生产的决策请求与响应契约（简化版），便于后续团队接入：

// 授信决策请求
message CreditDecisionRequest {
  string request_id = 1;               // 幂等键
  string user_id = 2;                  // 去标识化 user id
  string product_code = 3;             // 产品：consumer_loan / card / bnpl_pay4
  int64  apply_amount_cent = 4;        // 申请金额（分）
  int32  term_months = 5;              // 期限
  string scenario = 6;                 // 场景：shopping / cash / merchant_id
  ApplicantInfo applicant = 7;         // 申请人基础信息（已脱敏）
  DeviceInfo device = 8;               // 设备指纹、IP、GPS
  repeated ConsentRecord consents = 9; // 数据授权记录
  string channel = 10;                 // APP / H5 / 商户 SDK
}

message CreditDecisionResponse {
  string request_id = 1;
  Decision decision = 2;               // APPROVE / REJECT / MANUAL / PENDING
  int64  credit_limit_cent = 3;
  double apr_bps = 4;                  // APR，基点
  int32  credit_score = 5;             // 300–900
  repeated string reason_codes = 6;    // 拒绝/降额原因码
  string model_version = 7;            // 模型指纹，用于审计回放
  string policy_version = 8;
  int64  decide_ts = 9;
}

message ConsentRecord {
  string scope = 1;        // pboc / telco / ecommerce / location
  string grant_id = 2;     // 唯一授权 ID
  int64  granted_at = 3;
  int64  expires_at = 4;
}

三条工程要点：

1.5 灰度与冠军挑战者（Champion/Challenger）

风控上线绝不能一把切。标准做法是冠军挑战者：

挑战者流量切分的关键：按 user_id 哈希稳定，同一用户每次申请走同一桶，避免同一用户两次申请分配到不同策略造成体验割裂。流量控制要做到按分层（例如”按 FICO 段分别切 10%“），否则挑战者可能只吃到了某一段人群。

二、信用评分体系：全球与中国的双轨

2.1 美国：FICO 与 VantageScore 双寡头

FICO 评分（1989 年首次商用）是美国零售信贷的事实标准。FICO 8 长期占据贷款决策 90% 市场份额，2014 年推出 FICO 9（医疗欠账降权、接入租房数据），2020 年推出 FICO 10 和 FICO 10T（T 代表 Trended Data，轨迹数据，使用 24 个月余额变化序列而非截面快照）。

FICO 分数区间 300–850，五维权重：

维度 权重 含义
Payment History 35% 还款历史、逾期记录、破产
Amounts Owed 30% 当前负债、信用利用率（Utilization）
Length of Credit History 15% 账户平均年龄、最老账户
Credit Mix 10% 信用卡、按揭、分期组合
New Credit 10% 近期硬查询（Hard Inquiry）、新开户

VantageScore（2006 年三大征信局联合推出以对抗 FICO）。VantageScore 4.0 同样 300–850，2024 年 FHFA（Federal Housing Finance Agency）宣布房利美/房地美接受 VantageScore 4.0 替代 Classic FICO，这是美国信贷基础设施的重要变化。

2.2 中国：央行征信为主、市场化机构补充

人民银行征信中心（PBOC Credit Reference Center）二代格式于 2020 年 1 月 19 日全面上线，相对一代主要变化：

二代征信没有直接输出一个分数，只提供报告字段。大多数银行在二代数据之上自建评分（俗称”央行分”衍生模型）。

百行征信（2018 年成立，央行牌照）和朴道征信（2020 年获牌）是中国仅有的两家市场化个人征信机构，主要覆盖 PBOC 没有覆盖的互联网小贷、消费金融场景。2021 年”断直连”后，互联网平台不得直接向金融机构传送用户信用数据，必须经由持牌征信机构。

芝麻信用（蚂蚁集团，2015 年）分值 350–950，涵盖身份特质、履约能力、信用历史、人脉关系、行为偏好五维。芝麻信用不是征信，而是一种场景化的”信用评估”，不能用于金融机构授信决策（监管要求），但在租房、酒店免押、共享单车等 2000+ 场景广泛使用。

腾讯信用分（2015 年小范围测试，2018 年 1 月 30 日全面公测仅 24 小时后下线）是一个标志性事件：在”断直连”监管基调明确后，互联网公司自建征信业务被叫停，后续只能通过持牌机构做。

京东小白信用（2015 年上线）主要服务京东白条、京东金条场景，形态与芝麻信用类似。

2.3 评分分数的工程含义

分数不是随便给的。经典评分卡设计里，分数与 PD（Probability of Default，违约概率）有严格映射：

\[\text{Score} = A - B \cdot \ln\left(\frac{\text{PD}}{1-\text{PD}}\right)\]

其中 A、B 是校准常数，通常令”每加 20 分，坏好比翻一倍”（PDO=20，Points to Double the Odds）。例如基础点 600 分对应坏好比 1:20，620 分对应 1:40、640 分对应 1:80。

这个线性映射让业务方好理解：分数就是几何级数的 PD。这也是为什么传统评分卡依然不可替代——即便深度模型 AUC 更高，它输出的概率如果没有做同样的单调校准，业务上没法直接用来划段定价。

三、模型演进：从逻辑回归到图神经网络

3.1 逻辑回归 + WOE/IV：依然是主流

尽管学术界不断出新模型，银行、消费金融公司生产线上 60% 以上的申请评分（A 卡）依然是逻辑回归（Logistic Regression）+ WOE（Weight of Evidence，证据权重）分箱。原因：可解释、可拆分贡献、可审计、稳定。

WOE 定义（对第 i 个分箱）：

\[\text{WOE}_i = \ln\left(\frac{\text{good}_i / \text{total\_good}}{\text{bad}_i / \text{total\_bad}}\right)\]

IV（Information Value，信息值）衡量一个变量的区分能力：

\[\text{IV} = \sum_i \left(\frac{\text{good}_i}{\text{total\_good}} - \frac{\text{bad}_i}{\text{total\_bad}}\right) \cdot \text{WOE}_i\]

IV 的经验解读：

IV 预测力
< 0.02 无效
0.02–0.1 弱
0.1–0.3 中
0.3–0.5 强
> 0.5 强到要怀疑是穿越变量

分箱（Binning）方法：等频、等距、卡方（ChiMerge）、决策树（最常用）。单调性约束是工程惯例——WOE 随分箱排序应单调或 U 型，避免”收入越高越容易违约”这种反业务直觉的结果。

3.2 GBDT：XGBoost 与 LightGBM

GBDT（Gradient Boosting Decision Tree，梯度提升决策树）在 2014–2017 年从 Kaggle 比赛扩散到工业界，现在是消费金融风控的第二选择。XGBoost（陈天奇，2014）和 LightGBM（微软，2017）的核心差异：

维度 XGBoost LightGBM
树生长 Level-wise（同层分裂） Leaf-wise（按增益分裂）
速度 基线 5–10x 更快
类别特征 需要独热编码 原生支持
内存 较高 更低（直方图）

LightGBM 在中国消费金融公司几乎是默认选择。一个典型 A 卡：300–800 个特征、100–500 万样本、训练 10–30 分钟、线上 P99 推理 5ms 以内。

3.3 深度模型与图神经网络

DNN（深度神经网络）在风控的应用场景有限——特征多为结构化表格数据，DNN 对比 GBDT 优势不明显；但在序列场景（APP 行为序列、交易流水序列）上 LSTM/Transformer 有用武之地。

图神经网络（GNN）是近年热点。信贷欺诈与违约往往呈”团伙”特征：同一设备、同一 WiFi、同一紧急联系人出现多次。把用户-设备-商户-联系人建成异构图，用 GraphSAGE、GAT 做节点分类，能捕捉 GBDT 难以表达的关系特征。蚂蚁的 AGL（Ant Graph Learning）、腾讯的 Plato、阿里达摩院的 GraphScope 是这个方向的代表工业系统。

3.4 A 卡、B 卡、C 卡

消费金融风控模型按生命周期阶段分类：

三张卡彼此独立训练、独立部署，但通过特征平台共享特征。

3.5 模型开发流程

一个工业级 A 卡从立项到上线的标准流程，通常 2–4 个月：

flowchart LR
    A[1. 样本定义] --> B[2. 观察期+表现期]
    B --> C[3. 特征工程]
    C --> D[4. 变量筛选<br/>IV/相关性/稳定性]
    D --> E[5. 模型训练<br/>LR/GBDT]
    E --> F[6. 模型评估<br/>AUC/KS/PSI]
    F --> G[7. 模型解释<br/>SHAP/权重卡]
    G --> H[8. 公平性测试]
    H --> I[9. 独立验证]
    I --> J[10. 冠军挑战者灰度]
    J --> K[11. 全量上线]
    K --> L[12. 持续监控]
    L --> M{衰减?}
    M -->|是| A
    M -->|否| L

样本定义的关键是时间窗口对齐：

所有特征必须是观察点之前可得的信息；所有标签必须在表现期结束后才打。这一铁律如果违反，就是经典的 Target Leakage。

3.6 稳定性：PSI 与特征漂移

模型发布后最常见的衰减原因是总体稳定性偏移（Population Stability）。PSI 定义：

\[\text{PSI} = \sum_i (p_i^{\text{new}} - p_i^{\text{old}}) \cdot \ln\frac{p_i^{\text{new}}}{p_i^{\text{old}}}\]

其中 \(p_i\) 是第 i 分箱的样本占比。经验阈值：

PSI 含义 动作
< 0.1 稳定 继续观察
0.1–0.25 轻度漂移 排查原因
> 0.25 显著漂移 考虑重训

不仅模型输出要监控 PSI，核心特征也要逐个监控。一个常见场景：某运营商数据源停服 3 天，某特征缺失率从 2% 飙升到 40%，PSI 瞬间超标——这是特征层面的事故，不是模型本身的问题。

四、数据源：合法性是第一红线

4.1 数据清单

中国消费金融风控一张标准数据清单（2026 年合规边界下）：

类别 数据项 来源 合规要点
征信 人行二代征信 PBOC 征信中心 每次查询需用户授权、接入需银保监许可
征信 百行/朴道征信 持牌机构 互联网场景”断直连”必经通道
公共 社保、公积金、税务 政府数据平台 需用户授权”查询本人数据”
运营商 通话详单、在网时长 三大运营商 用户授权 + 运营商返回脱敏字段
电商 下单金额、收货地址稳定性 平台内部（自营场景） 不得跨主体传输明细
银行 代发工资、流水 开放银行 API PSD2 式授权（中国有限开放）
设备 设备指纹、IP、GPS 客户端 SDK 《个保法》明示、最小必要
关系 紧急联系人、通讯录 客户端授权 2019 年后禁止批量读取通讯录

4.2 授权与合规边界

关键法规：

工程上的直接后果：2021 年之后，所有外部数据源接入合同 + 用户授权链路 + 审计日志都要落地。任何一次”我们偷偷加了一个数据源上线”的操作，都可能导致罚单（2023 年某消金公司因违规收集通讯录被罚 2000 万元）。

4.3 数据血缘与特征平台

现代风控系统的底座是特征平台（Feature Store）：Tecton、Feast、阿里 MaxCompute + 自研 FeatureStore、蚂蚁 AntFeatureStore。一个特征从原始数据到模型输入经过：

数据源 → 接入层（授权检查、脱敏） → 离线计算（Spark/Flink） 
    → 特征表（Hive/HBase/TiDB） → 在线服务（Redis/自研 KV）
    → 模型推理 → 决策

每个特征必须带血缘（Lineage）和授权标签：来自哪个数据源、是否个人敏感信息、最大保留期、允许用途。审计时要能在 5 分钟内回答”某用户的某次拒绝使用了哪 27 个特征，每个特征的出处是什么”。

4.4 在线/离线一致性

特征平台的头号工程难题是在线-离线一致性（Online-Offline Consistency）。同一个特征”用户最近 30 天还款次数”：

两条路径的口径必须一致，否则出现训练-服务偏差（Training-Serving Skew）。治理手段：

4.5 数据接入审计与权限管控

生产上一份典型的风控数据访问权限矩阵：

角色 征信明细 运营商 设备 放款/还款
风控建模 脱敏样本 脱敏样本 脱敏样本 脱敏样本
在线决策 只读 API 只读 API 只读 API 写入
客服/催收 摘要 无 无 摘要
审计 全量只读（留痕） 全量只读 全量只读 全量只读

所有访问必须留审计日志（who、when、what、why），保留不少于 5 年。大型消金公司每天产生亿级风控决策日志，存储栈：Kafka → ClickHouse / Iceberg + Trino，冷数据归档到对象存储。

五、额度、定价与 PD/LGD/EAD

5.1 三大风险参数

巴塞尔协议 III（Basel III）内部评级法（IRB，Internal Ratings-Based Approach）定义三个核心风险参数：

预期损失（Expected Loss，EL）：

\[\text{EL} = \text{PD} \times \text{LGD} \times \text{EAD}\]

5.2 风险定价：不是利润最大化，是”覆盖损失+达到目标 ROE”

一笔贷款的利率分解：

\[\text{APR} = r_{\text{fund}} + r_{\text{ops}} + r_{\text{risk}} + r_{\text{profit}} + r_{\text{capital}}\]

举例：一个 PD=8%、LGD=70% 的客群，年化风险成本 ≈ 5.6%；加资金 5%、运营 3%、利润 3%、资本 2%，最终 APR 约 18.6%。如果这是首贷客群、LGD 上升到 80%、PD 上升到 12%，风险成本到 9.6%，APR 容易撞 24% 红线——这也解释了为什么利率红线卡死后，低分段客户直接被市场拒之门外。

5.3 差异化定价与公平借贷

差异化定价（Risk-Based Pricing）：同一产品对不同客户给不同利率，这是市场化金融的基本逻辑。但在美国要受 ECOA（Equal Credit Opportunity Act，1974）和 FCRA（Fair Credit Reporting Act）约束：不得基于种族、肤色、宗教、国籍、性别、婚姻状况、年龄等受保护类别（Protected Classes）定价。

工程上的表现：

中国 2026 年还没有完全对标 ECOA 的立法，但《个保法》第 24 条的”自动化决策透明、不得对个人在价格等交易条件上实行不合理的差别待遇”已经埋下了伏笔。

5.4 额度模型与循环授信

额度模型不是简单地根据评分映射一个数字，而是一个优化问题：

\[\max_{L} \ \text{Expected Profit}(L) = L \cdot \text{Usage}(L) \cdot (r - \text{EL}(L)) - \text{Cost}(L)\]

其中 Usage(L) 是给定额度 L 下的预期动用率。一个关键观察：额度给太低，用户不用；额度给太高，坏客户套现走人。典型做法：

5.5 IFRS 9 预期信用损失

会计层面，国际财务报告准则 IFRS 9（中国对应”新金融工具准则”CAS 22，2019 年起分阶段实施）要求按三阶段模型计提减值：

阶段 定义 减值
Stage 1 正常/低风险 12 个月预期损失
Stage 2 信用风险显著增加（SICR） 整个存续期预期损失
Stage 3 已减值 整个存续期预期损失，按净额计息

SICR（Significant Increase in Credit Risk，信用风险显著增加）的判定是工程落地的难点：通常以 PD 相对初始增幅（如翻倍）、DPD > 30 天、或内评级下调 2 档为触发条件。风控系统必须把 PD 实时下推给财务系统，否则财报不准确。

六、贷后管理：还款、逾期、催收、核销

6.1 还款提醒与智能外呼

还款日前 3 天、当天、逾期 D+1 是三个关键触达时点。传统短信 + APP Push 之外，AI Voicebot（智能外呼）是 2020 年后的主力：

代表厂商：腾讯云智能外呼、阿里云语音服务、科大讯飞、竹间智能；银行自建平台如招行掌上逾期机器人。

6.2 催收分阶段

阶段 逾期天数 手段 回收率
M0 0–30 天 短信、IVR、AI 外呼、APP 消息 70–90%
M1 31–60 天 人工外呼、信函 20–40%
M2 61–90 天 加强催收、上征信警告 10–25%
M3 91–180 天 委外催收、调解 5–15%
M3+ 181 天+ 诉讼、仲裁、核销 1–5%
坏账 — 核销后仍可追偿 残值处置

委外催收（Collection Outsourcing）在 2020–2022 年经过大规模整顿。暴力催收、爆通讯录、骚扰联系人被监管重点打击；合规催收要求：每日通话不超 3 次、不得威胁、不得向无关第三人透露债务信息。

6.3 展期、减免、核销

6.4 贷后关键指标：滚动率与迁徙率

贷后风险的两套核心指标：

Vintage 曲线（账龄分析）：按放款月份聚合，观察不同月份放款资产在 MOB 1、2、3、6、12 的累计逾期率。Vintage 曲线是消金公司最重要的资产质量监控工具，任何一代模型/产品/客群的好坏一眼就能从 Vintage 看出。

迁徙率（Roll Rate）：相邻两个月逾期阶段之间的迁移概率。典型矩阵：

本月  下月 正常 M1 M2 M3 M4+
正常 97% 3% 0 0 0
M1 50% — 50% 0 0
M2 20% — — 80% 0
M3 10% — — — 90%
M4+ 5% — — — 95%

迁徙率反映催收效果和客群质量，比单一时点逾期率更稳定。典型消金公司：M1 回到正常的概率 40–60%、M2 到 M3 的概率 70–85%、M3+ 的资产基本视为不良。

6.5 贷后决策案例：增益模型用于催收

传统 C 卡预测”未来 30 天是否催回”，按分数排序分配催收资源。但这种做法忽略了干预效应——高分客户本来就会自己还，花精力在他们身上是浪费。

增益模型（Uplift Model） 预测”干预带来的增量回收概率”，即：

\[\tau(x) = P(\text{回收} \mid x, \text{干预}) - P(\text{回收} \mid x, \text{不干预})\]

通过随机对照实验（RCT）：对一批逾期账户随机不催收（Control）、轻催收、重催收，观察回收差异，训练 T-Learner / X-Learner 预测 uplift。催收资源优先分配给 uplift 最高的账户（所谓 “Persuadables”，可被说服者），而非单纯分数最高的。蚂蚁、招联、马上消费等内部 2022 年后均已将 uplift 模型用于 C 卡策略。

七、资产证券化（ABS）与联合贷

消费金融公司不是银行，自有资本有限。要扩表必须借用资本市场。主要方式：

7.1 消费贷与信用卡 ABS

ABS（Asset-Backed Securities，资产支持证券）将一批未来现金流（应收贷款）打包成证券，在交易所或银行间市场发行。典型结构：

  发起人（消金公司）
         │  转让底层资产
         ▼
    SPV（特殊目的载体）
         │  发行
         ▼
    优先级 A 档（AAA，70–80%，低息）
    优先级 B 档（AA，5–15%，中息）
    次级档（发起人自持，5–15%，吸损）

增信方式：超额覆盖（Over-Collateralization）、现金储备账户、流动性支持、原始权益人风险自留 5%（证监会要求）。

7.2 蚂蚁花呗 / 借呗 ABS 停发事件

2020 年 11 月 2 日、11 月 10 日，银保监会、央行等四部门先后发布《网络小额贷款业务管理暂行办法（征求意见稿）》和约谈蚂蚁集团，IPO 被暂缓。关键背景：花呗、借呗的主体是两家重庆网络小贷公司，通过循环发行 ABS 把 30 多亿注册资本放大到了 3000 多亿贷款余额（约 100 倍杠杆）。意见稿要求：

直接后果：2020 年底花呗、借呗 ABS 集中停发，蚂蚁集团启动整改，2021 年 6 月重庆蚂蚁消费金融有限公司（注册资本后扩至 230 亿元）成立，原小贷业务迁入消金牌照主体，杠杆限制从网络小贷的 4 倍升至消金公司的 10 倍左右，但仍远低于整改前的实际杠杆。这是中国消费金融监管史上最标志性的事件，直接改写了整个行业的资金结构。

7.3 联合贷与助贷

2023 年后监管明确：实质重于形式，隐性增信视为联合贷。不少平台被要求补充资本金或退出。

7.4 资金端工程：对接银行的技术账本

平台对接一家资金方银行，典型工程链路：

平台风控通过 → 资金路由 → 资金方审批 API → 放款指令
                                         ↓
                   银行核心系统出账 → 通知平台 → 用户到账
                                         ↓
                    每日对账（余额、放款、还款）→ 差错处理

几个痛点：

八、BNPL：西方 Klarna、Affirm、Afterpay 与中国花呗分期

8.1 BNPL 形态

BNPL（Buy Now Pay Later，先买后付）的核心产品结构：

全球主要玩家（2025 年末数据）：

公司 总部 年交易额 用户规模 上市
Klarna 瑞典 约 1000 亿美元 1.5 亿 2025 年 NYSE
Affirm 美国 约 300 亿美元 2000 万活跃 2021 Nasdaq
Afterpay 澳洲 — — 2021 被 Block 以 290 亿美元收购
PayPal Pay in 4 美国 嵌入 PayPal 亿级 母公司 Nasdaq
Zip 澳洲 百亿美元级 — ASX

8.2 中国 BNPL 的另一条路

中国没有”BNPL”这个原生品类，功能被切成：

监管上直接纳入消费信贷体系，APR 必须明示，不存在”零息误导”——2022 年后所有分期页面必须同时展示综合年化成本（APR）和手续费率（IRR），这是和 BNPL 西方玩法最大的制度差异。

8.3 BNPL 工程差异

BNPL vs 传统消费信贷的工程差异：

维度 传统消费贷 BNPL
接入场景 独立 APP 商户收银台 SDK/API
决策时延 5–30 秒 < 2 秒（不能卡结账）
额度粒度 单笔/整体额度 每笔独立审批
征信上报 全部上报 部分上报（各国分歧大）
商户接入 线下为主 Shopify/Stripe 插件、Web SDK
对商户收益 提成 2–5% MDR 3–6%

8.4 Affirm 的架构亮点

Affirm 公开披露的技术栈是一个典型的现代 BNPL：

8.5 BNPL 的结构性风险

BNPL 模式在 2022–2024 年全球高利率环境下暴露了几个结构性问题：

九、监管与合规

9.1 美国：CFPB 将 BNPL 纳入信用卡规则

2024 年 5 月 22 日，CFPB 发布解释规则（Interpretive Rule），明确 BNPL 的 Pay-in-4 产品属于 TILA（Truth in Lending Act）下的”信用卡”（Credit Card），需履行：

这一规则把 BNPL 从”灰色地带”拉入传统信用卡监管框架，Klarna、Affirm 等必须在 60 天内合规。

FCRA 则要求：拉取征信需”许可目的（Permissible Purpose）“、拒绝需出 Adverse Action Notice、消费者有争议权。

9.2 欧盟：CCD2

欧盟消费者信贷指令 2（Consumer Credit Directive 2，2023/2225）2023 年通过、2026 年 11 月全面适用，相比 CCD1（2008）主要变化：

9.3 中国：网络小贷、互联网贷款办法、利率红线

《最高人民法院关于审理民间借贷案件适用法律若干问题的规定》（2020 年 8 月修订）：民间借贷利率上限调整为”一年期贷款市场报价利率（LPR）的 4 倍”，2026 年 LPR ≈ 3.45% 对应 13.8%——但此规则仅适用民间借贷，不适用持牌金融机构。

持牌金融机构（银行、消金、信托）：监管从未明文规定统一利率红线，但 2021 年监管指导”利率从严控制在 24% 以内”，24% 是事实上的红线。超过 24% 不等于违法，但超过 36% 部分在司法实践中不予保护。

APR 明示（2021 年 3 月 31 日央行公告）：所有贷款产品、分期产品必须以年化利率（IRR 或 APR）形式展示，禁止只展示”月费率”。

互联网贷款管理办法（2020 年、2022 年过渡期结束）核心条款：

9.4 征信数据的跨境与合规

跨境开展消费金融业务（如中资背景的东南亚、拉美 BNPL/消金平台）必须同时满足：

常见合规架构：

2023–2025 年多家中资背景 BNPL 因数据合规争议（如菲律宾 NPC 对中资现金贷调查）被罚或退出市场，合规与技术是一体两面。

十、公平性：代理变量、差异影响、模型审计

10.1 敏感特征与代理变量

即便不把性别、种族直接入模，模型仍可能通过代理变量（Proxy Variable）间接学到：

美国 ECOA/Fair Housing Act 下的差异影响测试（Disparate Impact Test）：

\[\text{DI} = \frac{\text{approval rate}_{\text{protected}}}{\text{approval rate}_{\text{majority}}}\]

经验阈值 0.8（80% Rule，也称 Four-Fifths Rule）：若小于 0.8，监管推定存在差异影响，需要”业务必要性”辩护。

10.2 公平性算法

常见技术路线：

工具库：IBM AIF360、Google Fairness Indicators、Microsoft Fairlearn。

10.3 模型审计

美国 OCC（Office of the Comptroller of the Currency）SR 11-7（Model Risk Management）和美联储 SR 11-7 要求金融机构建立模型风险管理框架：

中国银保监 2022 年《银行保险机构信息科技外包风险监管办法》和 2023 年”模型风险管理”专项检查把这套机制往国内拉齐。

十一、代码实战：LightGBM A 卡 + WOE 分箱 + KS/AUC

下面给一个完整、可运行的 A 卡建模骨架，使用 scikit-learn + lightgbm + 手写 WOE。生产环境里通常会用 scorecardpy、toad 等风控专用库（国内 toad 最流行）。

import numpy as np
import pandas as pd
import lightgbm as lgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score

# -------- 1. 模拟数据：10 万申请，20 个特征，目标 y=1 表示首半年 90+ 逾期 --------
rng = np.random.RandomState(42)
N = 100_000
df = pd.DataFrame({
    "age":        rng.randint(18, 65, N),
    "income":     rng.lognormal(10.5, 0.6, N),
    "pboc_overdue_12m": rng.poisson(0.3, N),
    "credit_util":     rng.beta(2, 5, N),
    "query_cnt_3m":    rng.poisson(1.2, N),
    "account_age_m":   rng.randint(0, 240, N),
    "device_risk":     rng.beta(2, 8, N),
    "city_tier":       rng.choice([1,2,3,4,5], N),
    # ... 省略 12 个特征
})
# 构造带噪声的目标变量
logit = (-3.0
         + 0.8 * df["pboc_overdue_12m"]
         + 2.5 * df["credit_util"]
         + 0.3 * df["query_cnt_3m"]
         - 0.00001 * df["income"]
         + 3.0 * df["device_risk"]
         + rng.normal(0, 0.5, N))
p = 1 / (1 + np.exp(-logit))
df["y"] = (rng.uniform(size=N) < p).astype(int)
print("坏样本率:", df["y"].mean())   # ~4%

# -------- 2. WOE 分箱（简化版：等频 + 计算 WOE/IV）--------
def woe_iv(x: pd.Series, y: pd.Series, n_bins=10):
    bins = pd.qcut(x, n_bins, duplicates="drop")
    tab = pd.crosstab(bins, y).rename(columns={0: "good", 1: "bad"})
    tab["good_rate"] = tab["good"] / tab["good"].sum()
    tab["bad_rate"]  = tab["bad"]  / tab["bad"].sum()
    tab["woe"] = np.log((tab["good_rate"] + 1e-6) / (tab["bad_rate"] + 1e-6))
    tab["iv_bin"] = (tab["good_rate"] - tab["bad_rate"]) * tab["woe"]
    return tab, tab["iv_bin"].sum()

iv_summary = {}
for col in ["age","income","pboc_overdue_12m","credit_util",
            "query_cnt_3m","account_age_m","device_risk"]:
    _, iv = woe_iv(df[col], df["y"])
    iv_summary[col] = iv
iv_df = pd.Series(iv_summary).sort_values(ascending=False)
print("IV 排序:\n", iv_df)

# -------- 3. 训练 LightGBM --------
features = [c for c in df.columns if c != "y"]
X_tr, X_te, y_tr, y_te = train_test_split(
    df[features], df["y"], test_size=0.3, stratify=df["y"], random_state=1)

params = dict(
    objective="binary", metric="auc",
    learning_rate=0.05, num_leaves=31, min_data_in_leaf=200,
    feature_fraction=0.9, bagging_fraction=0.8, bagging_freq=5,
    verbose=-1,
)
dtr = lgb.Dataset(X_tr, y_tr)
dte = lgb.Dataset(X_te, y_te, reference=dtr)
model = lgb.train(params, dtr, num_boost_round=500, valid_sets=[dte],
                  callbacks=[lgb.early_stopping(30)])

# -------- 4. 评估：AUC、KS --------
pred = model.predict(X_te)
auc = roc_auc_score(y_te, pred)

def ks(y_true, y_score):
    df_ = pd.DataFrame({"y": y_true, "s": y_score}).sort_values("s")
    cum_bad  = (df_["y"] == 1).cumsum() / (df_["y"] == 1).sum()
    cum_good = (df_["y"] == 0).cumsum() / (df_["y"] == 0).sum()
    return float((cum_good - cum_bad).abs().max())

print(f"AUC = {auc:.4f}, KS = {ks(y_te.values, pred):.4f}")

# -------- 5. 概率转分数（FICO 风格）--------
def prob_to_score(p, base=600, pdo=20, base_odds=1/20):
    # Score = A - B * ln(p/(1-p))
    B = pdo / np.log(2)
    A = base + B * np.log(base_odds)
    odds = p / (1 - p + 1e-12)
    return A - B * np.log(odds)

scores = prob_to_score(pred)
print("分数分布:")
print(pd.Series(scores).describe())

工业标准的评估指标：

生产模型上线前还要做反事实仿真（Counterfactual Simulation）：用历史通过+历史拒绝样本，估算新模型的通过率、坏账率、规模曲线，交叉验证后才敢切量。

十二、中国消费金融公司案例

12.1 蚂蚁消金

2021 年 6 月正式开业的重庆蚂蚁消费金融有限公司承接了原花呗、借呗业务。2022–2024 年经历三轮增资，注册资本从 80 亿提高到 230 亿元人民币，是国内注册资本最大的消金公司。股东结构经调整后：蚂蚁集团 50%、南洋商业银行 15.01%、国泰世华银行（中国）10%、舜宇光学 6%、博冠科技 4.99%、重庆渝富资本 6%、鱼跃医疗 3%、传化智联 5%。2024 年总资产超 3000 亿元，年化净利润十亿级。

工程上的典型能力：花呗、借呗的决策链路构建在阿里集团风控平台之上，每秒处理百万级决策，端到端 P99 < 200ms，特征规模据公开资料十万级。

12.2 招联消费金融

招联消费金融股份有限公司（2015 年成立）股东为招商银行和中国联通各 50%。2023 年末资产超 1700 亿元，贷款余额超 1500 亿元，线上新一贷、信用付产品覆盖亿级用户。招联的特色是强依赖招商银行风控体系 + 联通运营商数据——后者在 2017 年前是其核心差异化优势，2021 年断直连后这一优势弱化。

12.3 马上消费金融

马上消费金融股份有限公司（2015 年重庆百货发起）是少数较早布局 AI 风控、NLP 智能外呼的消金公司，自研”天启”反欺诈系统、“天镜”智能风控平台。2024 年资产规模约 700 亿。2021 年因数据合规问题被人行、银保监罚款 750 万元，是行业典型合规教训案例。

12.4 度小满金融

从百度金融独立出来（2018 年），定位助贷+联合贷+自营消金混合模式。度小满没有消金牌照，主要通过旗下重庆百度小贷公司和合作银行运作。其 AI 风控基于百度搜索、地图、输入法的脱敏信号——这也是 2021 年断直连后被挑战最多的部分。

12.5 一个国际对照：Discover 与 Capital One

放眼国际，同样是”数据驱动信用卡/消费贷”的代表：

这类对比提示一个工程取向：中国消费金融的技术栈深度不输国际同行，但产业结构差异决定了模型目标函数和业务拼图完全不同。

十三、工程坑点清单

  1. 拒绝推断（Reject Inference）没做，模型越跑越窄。 线上模型只见得到被通过的样本，训练集分布与决策集分布系统性偏离，AUC 看起来稳，通过率却持续下降。应对：拒绝样本外推（强制通过小比例随机样本做探索）、外部替代模型打分、Heckman 两阶段校正。
  2. 表现期未到就加特征。 新加的行为特征还没观察到违约结果，就训练到模型里，结果上线发现根本没预测能力。应对：固定表现期（如 MOB 6）、只用表现期结束前可得的特征。
  3. 穿越变量（Target Leakage）。 常见错误：把”贷后还款次数”“最后一次逾期天数”等事后特征当成”申请时刻”的特征。IV > 0.8 的变量都应该人肉审查。
  4. WOE 分箱业务不可解释。 自动分箱出来”收入越高越坏”，别强行上线，可能是样本问题或特征工程错误。应对：单调性约束、业务 Review。
  5. 模型部署特征漂移。 训练用 Hive 特征，线上用 Redis 特征，两边计算口径差一个小时窗口，AUC 线下 0.78、线上 0.70。应对：离线在线同源（同一段 Spark 代码双跑）、在线特征回放。
  6. 催收策略盲目使用 C 卡分。 C 卡预测”催回概率”，高分不代表应该少催——高分客户是最应该被轻度提醒就能回来的人，低分才真需要重度干预。策略设计要用增益模型（Uplift Model）而非预测模型。
  7. 资金方审批口径与模型不同。 联合贷资金方用他们自己的审批模型再筛一遍，平台过的 30% 被资金方拒掉，实际通过率远低于预期。应对：与资金方联调模型口径、双模型并行的”共同决策”。
  8. 利率定价撞红线后的逆向选择。 24% 红线卡死后，原本 APR 28% 能服务的客户被一刀切到 24%，实际 EL 不匹配、业务亏损；这部分客户反而更积极申请，造成逆向选择（Adverse Selection）。应对：严格准入而非降价迁就。
  9. 个保法授权链路断裂。 用户勾选了”同意征信查询”但没有单独勾选”同意三方数据查询”，被审计查出属于未授权处理，罚款+整改。应对：分类目授权、每类数据独立弹窗。
  10. 贷后数据不回流模型。 还款、逾期、催收结果没有打标回训练集，模型一年不迭代，PSI 早就超标。应对：标签管道自动化、季度迭代机制。
  11. APR 计算口径错误。 手续费、会员费、保险费算不算 APR？2021 年明示要求”所有融资成本”都要算入。用 IRR 而非简单日息 × 365。
  12. ABS 发行与业务节奏不同步。 资金端 ABS 排期三个月一次，业务端扩量超过资金到位速度，出现流动性缺口；反之资金到位但业务不达量，资金闲置成本高。
  13. 黑产画像反被模型”优选”。 黑产有意养号养征信，表现特征看起来像”优质新户”，被模型高分通过后一次性套现。应对：反欺诈与信用模型联动、新户小额试探、异常高分段人工 Review。
  14. 模型可解释不到位导致合规补材料爆炸。 监管一次检查要还原几万条决策拒绝理由，靠事后脚本跑。应对：决策时就结构化记录 reason_codes，审计时只做聚合查询。
  15. 跨平台多头借贷。 同一用户同时在三家消金公司借款，任一家单独看通过率都没问题，总负担超限。应对：经由百行/朴道接入共享的多头查询、设置多头触发规则。

十四、选型与落地清单

从零搭建消费金融风控系统，建议的最小可行栈：

层 选型 说明
决策编排 Drools / URule / 自研 DSL 规则+模型组合
特征平台 Feast / Tecton / 自研 离线在线同源
模型训练 Python + LightGBM + toad 评分卡标配
模型服务 Triton / 自研 gRPC P99 < 20ms
数据仓库 Hive / MaxCompute / Snowflake 离线特征
在线存储 Redis / Aerospike / TiKV 在线特征
流处理 Flink 实时行为特征、贷后监控
风控日志 Kafka + ClickHouse 决策审计
催收 智能外呼平台 + CRM 分层执行
合规 模型文档 + 特征血缘 + 审计日志 SR 11-7 等价框架

上线前 Checklist：

十五、本系列交叉引用

十六、参考资料

上一篇：《反洗钱与 KYC：客户尽调、交易监测、STR/SAR、FATF》

下一篇：《对账系统工程：账单、总账、资金对账、差错处理》

同主题继续阅读

把当前热点继续串成多页阅读，而不是停在单篇消费。

2026-04-22 · architecture / fintech

【金融科技工程】金融科技工程全景：从支付到交易所的系统分类与读图

金融科技（FinTech）不是普通后端加一张账户表。钱的原子性、监管的硬边界、一个小数点的代价，把这个领域推进到工程强度最高的那一档。本文是【金融科技工程】25 篇的总目录与阅读地图：先交代为什么它比一般业务系统更难，再给出对账体、支付体、交易体、风控合规体四维分类，把后续 24 篇挂到骨架上，最后给出一份绿地项目的落地顺序建议。

2026-04-22 · architecture / fintech

【金融科技工程】复式记账工程化：科目、分录、余额、对账

把 500 年历史的复式记账翻译成工程师可以落地的数据模型、SQL 表结构与余额计算策略，覆盖充值、下单、退款、分润、红包、多币种与冲销的真实场景，并对比 TigerBeetle、beancount、Ledger CLI、Square LedgerDB、Stripe Ledger 等开源与工业实现。

2026-04-22 · architecture / fintech

【金融科技工程】账务数据库设计：TiDB/OceanBase/Postgres 下的分片、索引、热点账户

账务（Ledger）数据库是金融系统最硬的那块骨头。本文从 RPO/RTO 目标出发，对比 PostgreSQL、MySQL、OceanBase、TiDB、CockroachDB、Oracle、TigerBeetle 等主流选型，讲分片维度、热点账户拆解、索引设计、冷热归档、MVCC 并发控制与审计合规，辅以蚂蚁、Stripe、PayPal、Square 的真实演进路径。

By .