信贷风控：从流量红利到合规深耕（2）

一、 行业产业链与增长

网贷行业核心生产资料为资金与流量，数据产品供应商为重要支撑环节，行业经营本质是损益核算；从历史背景来看，2010-2017年流量红利期，电商、社交平台手握海量用户，资金获取成本偏低，行业以“流量+资金”组合实现粗放增长，数据供应商尚未形成规模化产业，2018年后流量红利见顶，边际成本抬升，数据产品成为风控提效的关键补充，行业转向精细化成本管控。

流量价格与流量质量、计费规则、风控通过率强相关，资金价格透明且可公允计量，平台规模越大综合资金成本越低；历史背景层面，流量红利期流量价格低廉，风控通过率可适度放宽以冲规模，存量竞争期优质流量稀缺，风控通过率直接决定单位流量获客效益，头部平台凭借规模优势将综合资金成本压至年化4-6区间，中小平台议价能力弱，成本偏高。

扩大业务规模的三个方向为打磨风控基本功提升贷前贷中识别效率、存量营销促活与流失挽回、定向挖掘同业客户提额；从历史发展来看，流量红利期核心依赖拉新获客，2019年后新客增长乏力，行业重心转向存量客户运营，挖同业客户需依托风控能力优势，是存量竞争期的策略，仅头部机构具备相应能力。

户均贷款余额提升核心依赖额度管理，贷中是风控投入核心模块，远超贷前人力配置；历史背景上，2020年后行业进入存量竞争，新客获客成本高企，贷中额度管理成为拉动规模的核心策略，头部平台率先加大贷中团队投入，通过动态调额拉长客户生命周期，提升单客贡献。

二、 行业趋势与监管政策

网贷行业增速放缓但仍有利润空间，居民长贷（房贷）下降或释放小额消费信贷需求，宏观通缩对行业影响显著；从历史背景解读，2021年后房地产调控收紧，居民房贷杠杆下降，部分消费需求转向小额信贷，同期宏观通缩压力显现，客户还款能力波动加大，行业逾期频次从两年一次变为一年一次，资产风险管理难度陡增。

行业监管呈持续收紧态势，覆盖定价、催收、数据、消费者权益保护四大维度，持牌经营为不变主旋律；历史背景方面，2015年起监管逐步规范行业，2018年网贷行业风险集中爆发后，监管力度加大，2020年后明确持牌金融机构主导核心风控，互联网平台仅负责导流（助贷），数据交互需在政府控股征信机构环境中完成，行业合规门槛持续提升。

定价合规核心依据为2015年最高法规定民间借贷利率24%以内受保护、36%以上无效，网贷业务虽不适用2020年LPR四倍新规，但行业形成不超36%的合规默契；历史背景上，2015年《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》为行业定价划定最早红线，2020年新规聚焦民间借贷，网贷因涉及持牌金融机构未纳入，但监管指导下行业统一合规标准，避免法律风险。

网贷盈利核心增量来自额外增收项，以IRR24定价为例，罚息、提前还款手续费、会员权益可提升综合收益至30%，盈利能力提升20%；历史背景解读，2018年后风控成本、获客成本持续上升，行业通过合规范围内的附加增收项对冲成本压力，成为利润核心补充，这也是高定价网贷产品盈利稳定的关键原因。

在定价与降价的运营策略上，结清时做降价操作具有重要的业务价值：一是用户接受度高，用户结清时已默认当前价格体系，此时降价能形成让利福利感知，比在贷中降价更易打动用户，避免用户反感；二是召回效率高，结清后短期（3个月内）用户仍有借款潜在需求，降价可直接刺激复借，长期召回难度大，结清时点是最佳窗口期；三是减少流失风险，用户结清后易被竞品吸引，结清时降价能锁定用户，避免因价格劣势导致客户流失；四是利润可控，仅针对结清用户定向降价，不影响整体定价体系，同时通过复借收益覆盖降价成本，比盲目全量降价更稳妥。

三、 成本与收益核算

网贷核心成本构成包括资金成本（含纯资金、融担、支付、中介成本）、获客成本、数据成本（年化约1.5）、催收成本（年化约1.5）；历史背景上，流量红利期获客成本占比最高，合规期数据合规与催收合规要求提升，数据成本、催收成本占比逐步上升，成为风控成本管控的核心环节。

风险间接影响实收利息，常用预估公式为保守版实收利息=对客定价×（1-年化风险）、实操版=对客定价×（1-0.5×年化风险）；历史背景解读，早期行业风险计量粗放，仅关注本金损失，存量竞争期需精准核算实收收益，结合风险暴露节奏优化预估公式，提升损益核算准确性。

18定价贷款理想年化风险5-8%区间，24定价贷款年化风险8-10%区间，36定价贷款年化风险12-15%区间，风险是影响利润的核心变量；历史背景上，2019年前行业部分平台为冲规模放宽风控，36定价贷款风险可突破15，2020年后监管趋严+资产质量恶化，行业普遍收紧风控，风险区间逐步回归合理范围。

四、 风险量化指标

逾期天数与风险恶化正相关，逾期超90天（M4阶段）滚动至M7概率超90%，行业以逾期90天以上作为贷款损失判定标准；金额90+终损（率）指某时点逾期90天以上本金余额÷放款本金金额，是行业通用风险计量指标；

交易vintage $mob15dpd90+%终损为放款后第15个自然月月底的金额90+终损，是行业通用资产风险衡量标准，mob（账龄，Month on Book）15对应12期贷款全部账单满足90天还款表现；广义交易vintage可同步体现逾期暴露、客户还款速度、逾期迁徙率，能计算贷款生命周期核心参数，分笔数与金额双口径；

风险指标分层明确，mob1dpd0+、mob2dpd30+为早期监控指标，mob3dpd30+为策略设计指标，mob6dpd30+为模型开发指标，mob12dpd30、mob15dpd90+为同业交流与财务核算指标；

年化风险计算方式为终损×年周转次数，直接定义为年底90+余额净增量÷本年日均核销后余额，用于衡量大盘年度资产质量；资产风险预测核心方法是乘数法（基于早期指标与终损的稳定比例），规律稳定期预测准确，行业风险波动期预测失效；

结构化风险问题解决方案为分类监控，优先按期限分群（周转影响最稳定），可叠加收入、核心评分等资产质量维度；

贷前vintage分激活vintage与首贷vintage，睡眠期长的客群优先采用首贷月作为观察起点；首贷vintage核心监控指标包括客户数、有余额客户数、余额留存率、平均额度、平均余额、M2+%风险、好坏客户额度使用率、好坏客户额度比/余额比；

贷中vintage以任意时点已激活客户为观察起点，追踪贷中管理后客户变化，可用于截面资产结构分析；

催收核心指标有首期逾期迁徙率（如fpd1→7）、到期逾期迁徙率（如dpd1→7）、M1_M2迁徙率等，催收强度直接影响资产风险；从历史背景来看，2015年前行业催收以高强度外包为主，2019年后监管打击暴力催收，规范催收频次与手段，银行等持牌机构开始自主招聘内催，催收合规倒逼行业提升催收精细化程度。

五、 风控实战基本功

互联网风控本质是统计规律驱动，理论根基不多，依赖数据规律迭代，核心是评估客户还款能力与还款意愿，但还款意愿无统一量化指标；历史背景解读，风控早期依赖人工经验判断，大数据风控兴起后，依托海量用户行为数据挖掘规律，但受限于数据维度与宏观变量，无法实现精准预测，行业长期处于数据驱动、经验调整的模式。

贷前与贷中核心区别在于贷前为首次风险评估与准入定价，贷中为持续风险校准，解决贷前数据有效性衰退问题；历史背景上，流量红利期重视贷前准入，资产质量恶化后，客户风险动态变化特征凸显，贷中实时监控成为风控核心，可及时拦截贷前遗漏的风险信号。

风控实战中策略分群的三大核心原因是客群风险规律差异大、客群信息厚度不同、风控工具对不同客群区分力不同，四大原则为客群规律有差异且可解释、分群占比适中、稳定信息前置、分群占比与风险梯度稳定，分群终止标准为客群占比低于3%-5%无管理意义、细分后出现风险倒序；风险评级是整合客户多维度信息，统一风控策略制定标准，缓解不同客群评分风险差异问题；Lift指标定义为Lift=Precision/p（p为样本阳性比例），用于衡量模型相对历史信息的预测能力提升倍数。

六、 额度管理

额度制定核心逻辑是在合理额度竞争力下，综合风险水平与可支配收入，无收入数据时可仅参考风险水平；历史背景上，银行传统额度管理以收入为核心，互联网平台缺乏完整收入数据，转向以风险评级为核心，近年传统金融机构逐步融合互联网风控思路，放宽低风险低收入客群额度。

逆向选择风险指平台额度低于同业时，优质客户流向同业，留存客群质量偏差，实际风险高于预期；极端管理思路是将额度作为调整资产风险的工具，核心通过向优质客群倾斜额度，改善坏好额度比，控制资产风险；额度管理全场景包括初始额度、短账龄提额、贷中提额、贷中降额，提额途径含平台统一提额、客户主动提额、需求识别提额；初始额度计算方式为风险水平×收入×调整系数，针对多头、高负债客群降额，优质行职业客群提额；额度无绝对最优解，需通过测试逼近数值解，依赖业务经验积累；短账龄提额核心特点是聚焦客户激活初期信贷需求窗口期，未首贷客群重点关注激活后2-3-7天；贷中提额核心是仅面向低风险客群，提额路径为收入重估与额度倍数扩大，需长期测试观察风险表现；贷中降额目的是控制疑似风险客群敞口、保留客户避免获客成本浪费，后续可恢复额度；线上策略不可替代，因离线策略无法补充外部数据，会损失风控识别能力。

在降额处理的分工上，将降额和借款策略合并的逻辑：一是效率优先，降额核心目的是平滑防控风险，借款团队直接对接客群与放款流程，能直接砍额落地，符合快速结果导向要求；二是客群认知深，借款策略熟悉用户放款规模、还款表现等实际情况，能判断哪些用户需降额，避免策略岗仅靠数据判断导致的误操作。

额度管理的核心本质是以提额为纲、降额为目。从核心诉求来看，关注规模与利润，提额能直接提升用户借款额度、增加放款余额，契合做大规模的目标，降额仅为风险防控的临时手段；从优质客群需求来看，优质客群（收入高、流水稳定）需高额度匹配，好人给高额度是行业共识，不提额会导致优质客群流失，还会被质疑业务合理性；从常规运营逻辑来看，额度管理的核心是通过提额吸引用户、激活沉睡用户，提升用户使用率，降额仅针对高风险用户，是例外处理，而非常规运营动作。

七、 外部数据与成本管控

外部数据年化成本约1-2pp，需定期评估价值，优化调用策略；历史背景上，数据合规政策收紧后，外部数据源减少、成本上升，数据费成为重要风控成本，行业从全量调用转向精准调用。

助贷业务数据价值评估步骤为明确策略目标（通过率约束下压降风险）、按信息厚薄分群、评估均匀调用效果、优化差异化调用方案；数据调用优化逻辑是好钢用在刀刃上，向识别能力弱的薄信息客群倾斜数据费；Swap set分析上，新策略风险预估在无测试样本时，可参考相似业务线风险倍数，或按平均风险3-5倍预估。

八、 客群经营与宏观影响

客群差异特征为优质客户利率敏感、额度重视度高、还款能力稳定，下沉客户对利率额度敏感度低、还款能力弱、资金链易断裂；历史背景上，24-36定价产品聚焦下沉客群，利润率高但风险管控难度大，是行业利润核心来源，也是风控能力分水岭。

宏观经济对行业影响显著，通胀期客户加杠杆，贷款规模与质量提升，通缩期客户去杠杆，借款客群质量恶化，留存衰减；流动性风险表现为市场资金充裕时客户以贷养贷普遍，风险被掩盖，机构收缩断贷易引发行业踩踏，资产风险集中爆发；同业观察具有重要价值，同业战略决定市场竞争格局，保守策略可能错失红利，激进策略需承担风险，共债客群存在导致行业风险联动；客户生命周期分化明显，首贷客户短期分化为逾期拦截、结清流失、持续用信三类，网贷客群持续用信占比偏低；资产经营核心是扩大有掌控力客群，保障利润客群稳定，为无把握客群试错留空间；次级客群期限管理存在争议，长期贷款降低月供压力但延长风险暴露窗口，短期贷款缩短敞口但提升还款压力。

在次级客群期限管理上，除长期贷款与短期贷款各有利弊外，实践中还存在一种灵活的贷中管控思路——以中长期贷款降低客户月供压力，通过贷中监测主动识别风险客户并引导其提前结清（俗称”抽贷”），在风险恶化前实现主动出清。

九、 风控团队与从业者发展

模型部门地位决定风控能力，模型解决人类无法理解的问题，难识别客群依赖模型，模型与策略需平等协作；历史背景上，早期行业重策略轻模型，大数据风控成熟后，头部平台加大模型投入，模型能力成为核心竞争力，策略聚焦工具应用与业务结合。

十、 风控本质反思

风控模型本质是数据决定上限，算法决定下限，非算法驱动，依赖数据补充与样本更新；策略与模型共性为共用审批通过客群样本，均无拒绝客群风险表现，模型规范度更高但未必提升策略实效；自营风控打底，关注行业趋势。

参考文献

西提泡泡. (2024). 风控策略.