分群策略：风险模型局部校准的现实选择（2）

在信贷风控框架设计中，评分模型校准是风险量化的核心环节，但实操层面始终存在一个关键痛点：整体校准无法完全解决局部校准，局部还是有偏的，即客群的风险异质性问题，这也是分群策略存在的核心价值。

模型整体校准的目标，是让全量客群的评分与实际风险水平呈现稳定的对应关系，但同一评分在不同细分客群中，对应的风险往往存在显著差异。比如在全量客群中，评分800分对应的逾期率为1.2%，但在无信贷历史的年轻蓝领客群中，相同评分对应的逾期率可能达到3.5%，在高收入稳定职业客群中则可能低至0.3%。这种局部与整体的风险错配，无法通过单一的整体校准修正，只能通过分群拆分后进行针对性校准解决。这一矛盾学界尚未解决（Kleinberg, Mullainathan, & Raghavan, 2017），只有完美预测才能实现精准校准。

分群策略的落地，需要明确细分的推进边界，避免无意义的过度拆分，实操中主要遵循两项核心标准。第一是客群占比与样本量标准，细分的最终目的是为了风险管理，若某一分支客群占比过低，且没有足够的坏样本支撑风险结论，就失去了单独管理的意义。常规实操中，会以总体占比3%或5%作为阈值，若样本总量极大，即使分支占比仅1%，但坏样本量足以支撑风险说服力，也可保留细分；若样本量有限，占比接近阈值时则需终止细分。第二是风险逻辑一致性标准，细分过程中若出现风险倒序现象，就停止。比如在评分维度的细分中，若出现评分>800分的客群逾期率高于评分≤800分客群的情况，说明该维度的细分已经违背了基本的风险认知逻辑，细分结果不具备应用价值。这产生了辛普森悖论，感兴趣的可以再下探找到结构性变量。

在分群变量的选择上，实操中不会局限于单一变量，而是会结合多维度特征构建分层体系。常见的分群变量包括收入水平、行职业类型、信贷活跃度、资产状况等，这些变量能够有效区分客群的风险承载能力与还款意愿；同时会搭配多个不同维度的评分或数据指标进行剪枝，比如将A卡、B卡、第三方风控评分结合，作为细分过程中的风险校验维度，确保分群结果的稳定性。

需要注意的是，分群策略本质上是一种次优解，理想状态下若能开发出一个评分完美校准，即让同一评分在所有客群中都对应相同的风险水平，就无需进行复杂的分群与剪枝操作，直接通过评分与年化风险的映射关系即可完成风控管理。但在实际业务中，客群的风险影响因素复杂且多变，这种评分的开发难度极高，因此分群校准仍是当前解决局部风险异质性的主流方案。

从实操价值来看，分群校准的核心作用是实现差异化风控策略落地。针对不同细分客群，可基于校准后的风险水平，设置差异化的授信额度、利率定价与审批规则，比如对低风险客群放宽授信额度，对高风险客群收紧准入门槛，以此在风险可控的前提下，最大化信贷业务的收益与客群覆盖范围。当然这一做法会与算法公平性产生冲突，相关核心结论可参考Kleinberg, Mullainathan, & Raghavan（2017）的研究。