AI 信用风险评估怎么做？违约概率、阈值、解释与人工复核

直接答案：AI 信用风险评估不是让模型直接决定“放款或拒绝”，而是在明确产品、预测时点、表现窗口和违约定义后，用申请时点可获得的数据估计未来信用损失风险。可上线的流程至少包括：标签成熟与数据截断、按时间验证、概率校准、阈值与业务动作分离、人工复核、具体原因说明、异议更正、版本审计和持续监控。AUC 或 KS 较高只说明排序可能较好，不代表输出就是违约概率，也不能证明坏账率会下降。

本文面向准备建设或复核个人及小微信贷评分流程的产品、数据、风控和审计人员，提供通用技术与治理框架，不构成授信建议、法律意见或针对具体金融机构的监管结论。资料复核日期为 2026 年 7 月 16 日。旧稿虚构消费金融公司、日申请量、审核团队、欺诈损失和“坏账率下降 18%、效率提升 300%”等结果，本次重写已全部删除。

先分清：信用风险不是欺诈检测或异常检测

信用风险关注的是借款人在约定未来期间内能否履约，以及可能发生多少损失；欺诈检测关注申请或交易是否存在冒用、伪造和恶意行为；异常检测只回答某条记录是否偏离常态。三个问题可以共享部分特征和调查流程，但标签、时间尺度、处置动作和消费者影响不同，不能共用一个“AI 风控准确率”。

如果目标是实时交易拦截，应阅读站内的AI 欺诈检测指南；如果目标是从财务记录中筛选线索，应阅读AI 财务异常检测指南。信用风险页不应声称自己能替代身份核验、反洗钱调查或审计程序。

第一步：把“坏账”写成可复算的标签

“预测坏客户”不是可训练目标。团队必须固定产品、观察时点、表现窗口、逾期口径、余额口径和成熟日期。例如，以放款日为预测时点，观察之后 12 个月是否出现 90 天以上逾期；或者预测未来 6 个月是否发生核销。不同定义会产生不同标签，不能在训练、验证和上线报告之间悄悄替换。

近期发放的贷款尚未经历完整表现窗口，属于右删失或标签未成熟样本。它们不能因为“目前未逾期”就自动进入负类。报告应分别列出成熟正类、成熟负类、未成熟和无法确认四种状态，并记录标签被更正或撤销的时间。

第二步：只使用决策时点真正可见的数据

贷前模型最隐蔽的错误通常不是算法，而是未来信息泄漏。催收结果、最终审批意见、放款后交易、后补材料、人工调查结论和表现期内征信变化都可能让离线分数异常漂亮，却无法在真实申请时获得。特征表必须采用 point-in-time join：每条特征同时保存事件时间、系统入库时间、版本和缺失原因。

中国《个人信息保护法》对自动化决策的透明、公平、公正以及重大影响决定的说明和拒绝权作出规定，原文见中国人大网。涉及信用信息时，还应核对司法部公布的《征信业务管理办法》和国家行政法规库的《征信业管理条例》。具体业务是否属于征信、信贷或其他受监管活动，需要由机构依据自身角色、数据来源和适用规则判断，不能靠模型项目名称推断。

数据用途、权限、委托处理和留存设计可结合站内企业 AI 数据合规指南与本地和云端模型隐私决策指南复核。文章中的字段示例不代表所有字段都可以合法采集或用于授信。

第三步：处理标签未成熟和“只看见已批准客户”

历史还款结果通常只在曾经获批并放款的客户中可见，被拒申请人的反事实结果不可直接观察。这会产生选择偏差：模型学到的是旧审批策略筛选后的群体，不是全部申请人。所谓 reject inference（拒绝推断）并不存在适用于所有机构的标准答案；简单把被拒客户当坏客户，或用现有模型给他们生成伪标签，会把旧策略偏差再次写入数据。

更稳妥的做法是：报告训练总体与真实申请总体的覆盖差异；对旧策略变化、批准率和分群表现做敏感性分析；在合规和风险可控的前提下设计小规模影子评测或随机化探索；同时保留传统规则和人工判断作为比较基线。任何推断方法都要单独验证，不能把推断后的标签当成观察事实。

第四步：按时间验证，而不是随机打乱全部历史

信贷环境会随产品、渠道、宏观条件、客群和政策变化。随机切分会把相邻月份、同一客户、同一营销批次甚至同一资料版本分到训练和测试两侧，从而高估未来表现。至少应按申请或放款时间建立训练、验证、测试和时间外（out-of-time）窗口，并让每个窗口等待标签成熟。

scikit-learn 的 TimeSeriesSplit 文档说明了按时间顺序评估的一般方法，但信贷项目还要额外处理客户重复、表现窗口、标签延迟和数据截断。不能仅调用一个交叉验证类就宣称完成时间外验证。

第五步：区分排序分数、校准概率、预期损失和策略阈值

很多模型输出 0 到 1 的数字，但这不自动意味着“12 个月违约概率”。只有当标签、预测期限和总体固定，并经过适当概率校准与验证后，输出才可以在相应范围内解释为 PD（Probability of Default）。排序分数回答谁更高风险；校准 PD 回答相似分数群体中实际违约比例；预期损失还需要敞口和损失率；策略阈值则由风险偏好、资金、人工容量、消费者影响和适用规则共同决定。

scikit-learn 的概率校准指南说明，良好校准的分类器在预测约 0.8 的样本中应有接近 80% 的正类比例；这一定义必须结合本文明确的违约标签和期限理解。校准器要在与训练模型分离的数据上拟合，并在时间外样本和关键分群中复核。产品、客群或批准策略变化后，旧校准关系可能失效。

第六步：指标必须绑定阈值、基准率和业务总体

AUC 衡量排序，不使用单一业务阈值；Precision 和 Recall 随阈值变化；总体准确率在违约率很低时可能具有误导性；校准指标回答概率是否可信。报告至少同时展示类别数量、时间窗口、审批总体、阈值、混淆矩阵、排序、校准和金额影响。

可参考 scikit-learn 的Precision-Recall 示例、模型评测指南和混淆矩阵定义。如果团队无法从原始四格计数重新计算报告指标，就不应只保留百分比截图。

第七步：先确定人工容量和风险边界，再选择阈值

scikit-learn 的决策阈值指南强调，分类概率的统计估计与将概率转成类别的业务决策是两个问题。贷前场景更适合使用多段策略：低风险进入常规流程，中间区间人工复核，高风险触发补充验证或按适用政策处理。阈值不能只按离线 F1 最大化，因为人工队列、等待时间、错误拒绝成本和风险敞口都没有进入 F1。

下面是教学用假设，不代表任何机构实测：一批 10,000 个申请被固定模型评分。策略 A 将 8% 送人工复核，策略 B 将 20% 送复核。即使 B 捕获更多成熟违约，如果每天只有 50 个复核席位，它也会造成积压、超时和选择性处理。真正的阈值评审要报告每个动作区间的人数、金额、成熟结果和队列负荷。

第八步：解释必须对应真实决策原因

特征重要性、SHAP 值、规则命中和最终原因代码不是同一件事。局部解释可以帮助模型开发人员分析，但对外说明必须准确对应实际使用的数据、模型、规则和策略，不应把“模型分数不足”当成唯一原因，也不应从预设列表中选择一个最接近但并未实际影响决策的理由。

中国业务首先应依据适用的本地法律、监管要求和机构制度设计说明与异议流程。作为法域比较，美国 CFPB 的Circular 2022-03指出，在美国 ECOA/Regulation B 框架下，复杂算法不能成为无法提供准确、具体不利行动原因的借口。该要求不能直接当作中国法律结论，但它说明了一个通用工程问题：如果系统不能把最终动作追溯到真实输入、规则和模型版本，就难以进行纠错、申诉和审计。

第九步：人工复核要能推翻模型，并形成干净反馈

人工复核不是让操作员点击“同意模型”。复核界面应展示原始材料、字段来源、缺失状态、模型与规则版本、触发原因和允许动作；复核员应能补充证据、纠正数据、升级处理或推翻建议。推翻理由必须结构化，但不能强迫人员从不准确的有限选项中选择。

可借鉴站内规则—模型—人工复核闭环的队列和申诉设计，以及AI 审计分析证据清单的原始凭证、抽样和工作底稿要求。若系统无法重现某次决定看到的字段和版本，就不能靠“当前模型结果相近”替代当时证据。

第十步：上线后同时监控数据、概率、策略和消费者结果

生产监控不能只看接口成功率和 AUC。违约标签可能数月后才成熟，因此要把即时先行指标与滞后结果分开：即时监控缺失、分布、分数、批准、复核和系统异常；按 vintage 或月份等待成熟后，再回测校准、坏账、损失和分群差异。

NIST AI Risk Management Framework及其Measure Playbook强调持续测量、监控、审计日志、漂移和风险响应。美国联储 2026 年发布的SR 26-2 Revised Guidance on Model Risk Management强调与机构模型风险状况相适应的治理、验证、持续监控和结果分析；其适用范围是美国受监管银行体系，本文仅将其作为模型治理参考，不外推为中国机构的直接监管义务。

模型版本、策略版本和数据版本必须分别管理

一次审批动作可能由数据快照、特征代码、模型、校准器、阈值、硬规则、人工决定和通知模板共同产生。只记录“模型 v3”无法重现最终结果。每次变更都应有负责人、影响分析、验证证据、生效时间、回滚条件和受影响总体。

产品声明、截图、测试样本和版本证据的组织方法可参考站内AI 产品证据核验方法；代码、配置和回滚关系可结合模型与流程版本管理指南实施。任何“上线后自动学习”都必须说明哪些数据可进入训练、何时成熟、谁批准新版本，以及出现异常怎样恢复。

30 天影子试点：先证明可测量，再影响真实审批

试点通过不等于模型已经证明能降低坏账。坏账和损失需要等待表现窗口成熟，并用同期策略、产品、渠道和经济环境解释。上线初期应小范围、可逆、带人工接管；扩量必须同时满足质量、风险、运行和消费者影响门槛，而不是只看模型分数。

常见问题

信用评分越高，违约概率就一定越低吗？

取决于评分方向和定义。有的系统高分代表高风险，有的代表低风险；即使排序方向明确，分数也不自动等于概率。必须查看模型卡、校准关系、期限和适用总体。

AUC 很高，为什么上线后坏账仍可能上升？

AUC 只衡量排序。产品、渠道、批准率、额度、经济环境、策略阈值和客群变化都能影响最终坏账；概率校准和数据分布也可能漂移。必须将模型表现与策略和 vintage 结果分开报告。

是否应该让大模型直接阅读材料并决定授信？

不应把生成式模型输出直接当作最终授信决定。若用大模型提取材料或生成摘要，应验证字段准确性、引用原文、权限和提示注入风险，并让最终模型、规则和人工流程基于可追溯的结构化证据工作。

模型解释可以直接使用 SHAP 吗？

SHAP 可用于分析特征贡献，但它是对模型行为的解释工具，不自动等于最终业务动作的真实原因，也不替代数据纠错、规则命中、人工决定和适用说明义务。必须验证解释的稳定性和忠实度。

什么时候应该停止或回滚模型？

当关键数据来源异常、覆盖大幅下降、概率持续失准、分群错误或申诉异常、无法生成准确原因、人工队列失控、系统无法降级，或风险超出预先批准边界时，应暂停自动动作并回滚到已验证版本或人工流程。

编辑复核与纠错记录

本文由兰塞 AI 编辑流程于 2026 年 7 月 16 日复核。旧稿把信用风险、交易欺诈和异常检测混写，并使用无法核验的客户案例、坏账降幅、申请量、人力成本和提效数字；A 级候选稿删除这些断言，改为“标签定义—时点数据—时间验证—概率校准—策略阈值—具体原因—人工复核—监控治理”的可执行框架。本站的来源、更新与纠错原则见关于本站与编辑规范。