策略规则里的死分支——阈值设得再严，客户根本不存在
关键词：死分支，濒死规则，区间代数，阈值脱节，规则治理
01 现象：你以为的"严格规则"，可能从来没拦到过人
先问一个反常识的问题：你的策略规则引擎里，有多少条规则实际上从来没触发过？
大多数策略团队的答案都是"不可能吧"。每条规则上线时都经过评审、都对着历史数据验证过命中率，怎么会不触发？
但真实情况是：规则引擎越老，死分支越多。业务变了几轮——产品额度上限调整过、客群准入标准下探过、数据字段口径更换过——当年合理的阈值，今天可能已经落到了数据域之外。
这篇用 LendingClub 2007-2018 年公开贷款数据（226万笔，剔除缺失后样本 2,257,151 笔）模拟一个策略团队的规则引擎，看死分支长什么样、怎么检测、代价有多大。
02 死分支是什么：两类，成因完全不同
死分支（dead branch）指规则引擎里永远或几乎不会触发的分支。分两类：
第一类：数学死分支（数学可证，任何数据都不触发）
规则的数值条件对应一个区间，数据字段有实际取值范围。如果规则区间和数据域没有交集，这条规则在数学上就不可能命中：
例如规则"贷款金额 > 5 万"，但产品额度上限是 4 万——金额字段的数据域是
第二类：统计濒死分支（数据极薄，必须实测）
区间有交集，数学上"可能"命中，但真实数据里几乎没人落在这个区间——命中率低到可以忽略。例如规则"逾期次数 >= 20"，数据域确实有 0-58，但逾期 20 次以上的客户全库只有 57 人，再叠加其他条件就只剩个位数。
区分这两类很重要，因为检测方法完全不同：
- 数学死分支：区间代数精确判定（SymPy
Interval.intersect），与数据无关 - 统计濒死分支：只能靠数据命中率判定，换数据要重跑
这和 #105/#105b 的"逻辑冗余 vs 统计冗余"是同一个二分：能证明的 vs 必须实测的。
03 方法：区间代数 + 命中率双通道检测
3.1 区间代数：数学死分支的精确判定
把每条规则的数值条件翻译成区间，和数据域求交集。用 SymPy：
python
import sympy as sp
# 数据域: 贷款金额实际范围 [500, 40000]
amnt_domain = sp.Interval(500, 40000)
# 规则R7: 贷款金额 > 50000
r7_interval = sp.Interval.open(50000, sp.oo)
print(r7_interval.intersect(amnt_domain))
# EmptySet → 交集为空, 数学死分支区间交集为空，这条规则在数学上就是死的——不需要跑数据。
3.2 命中率通道：统计濒死分支的量化判定
数学死分支罕见，业务上更常见的是"命中率低到没存在意义"的濒死分支。定义两个指标：
命中率：规则命中客户数 / 总样本
阈值分位：规则阈值在字段分布中的位置。阈值落在分布极薄处（如信用分 < 600，但客群最低分 610），说明规则与数据域脱节：
检测流程：先跑区间代数筛数学死分支，再对剩余规则算命中率。但濒死的判据不是拍脑袋的命中率线，而是"命中数不足以支撑决策"：一条规则命中
3.3 Wilson 区间：怎么判断一个比例估得靠不靠谱
3.2 反复提到的"置信区间"就是 Wilson 区间（Wilson score interval，1927 年提出）。这里把它的数学讲透，因为它正是濒死判据的底层逻辑。
问题：一条规则拦了
朴素做法（Wald 区间）：正态近似
问题出在极端情形：
Wilson 区间：Edwin Wilson 的改进是在点估计里加一个"先验收缩"项，把区间向 0.5 拉：
其中
代入本文三条规则（坏账率用 3.2 的实测数）：
| 规则 | 命中 K | 坏账 x | 点估计 | Wilson 95% CI | 区间半宽 |
|---|---|---|---|---|---|
| R9 | 9 | 0 | 0% | [0%, 29.9%] | ±15.0pp |
| R10 | 190 | 13 | 6.8% | [4.0%, 11.4%] | ±3.7pp |
| R1 | 6,175 | 1,079 | 17.5% | [16.5%, 18.4%] | ±0.95pp |
| R4 | 115,604 | 24,978 | 21.6% | [21.4%, 21.8%] | ±0.24pp |
读这张表：R9 拦了 9 个人全没坏账，但 95% 置信区间是 [0%, 29.9%]——真实坏账率最高可能到三成，你根本无法判断这条规则拦的是好人还是坏人。R10 命中 190 人，区间收窄到 ±3.7pp，勉强能说"它拦的人坏账率约 7%、低于全样本"；R1/R4 命中上万，区间只有 ±1pp 以内，结论才真正可靠。
这就是"统计濒死"的数学含义：规则或许有价值，但数据薄到无法判断它有没有价值。命中数 K 决定区间半宽，半宽决定决策质量——图右半边的曲线就是半宽随 K 的变化：要拿到 ±5pp 的决策精度，至少需要约 150 个命中样本；±2pp 需要约 1,000 个。命中 9 人的规则，神仙来了也算不出它的坏账率。
04 拆解：一个策略引擎的 9 条规则，4 条是死/濒死
模拟一个消费金融策略引擎，9 条复合拒绝规则（3-4 个条件 AND 组合），其中 5 条活跃、2 条数学死、2 条统计濒死：
| # | 规则（条件组合） | 命中 | 命中率 | 判定 | 成因 |
|---|---|---|---|---|---|
| R1 | 金额>3万 ∧ dti>25 ∧ 逾期>=1 | 6,175 | 0.274% | ✅ 活跃 | — |
| R2 | 收入<5万 ∧ dti>35 | 43,836 | 1.942% | ✅ 活跃 | — |
| R3 | 账户>15 ∧ 循环利用>85% | 20,161 | 0.893% | ✅ 活跃 | — |
| R4 | 信用分<680 ∧ 近6月查询>=2 | 115,604 | 5.122% | ✅ 活跃 | — |
| R5 | 金额>3万 ∧ 收入<6万 ∧ 账户>15 | 1,935 | 0.086% | ✅ 活跃 | — |
| R7 | 金额>5万 ∧ dti>25 | 0 | 0.000% | ★ 数学死 | 额度上限调整遗留（上限4万） |
| R8 | 信用分<600 ∧ 金额>1万 | 0 | 0.000% | ★ 数学死 | 客群下探前（最低分610） |
| R9 | 逾期>=20 ∧ dti>30 | 9 | 0.0004% | ◐ 濒死 | 旧风控标准（现在仅9人） |
| R10 | 收入<1万 ∧ 金额>3万 | 190 | 0.008% | ◐ 濒死 | 审批互斥假设（实际190人） |
4.1 全景：命中率断层明显
5 条活跃规则命中率从 0.086% 到 5.122%，2 条数学死规则命中 0，2 条濒死规则命中 9 和 190——断层清晰。濒死判据（命中数不足以支撑决策，见 3.2）能干净地把活跃和濒死分开。
4.2 数学死分支：R7 的阈值在数据域之外
R8（信用分 < 600）是数学死分支最直观的例子：LendingClub 客群信用分最低 610，分布从 610 才开始，阈值 600 落在分布左侧空白区——规则区间
R7（金额 > 5 万）同理：金额分布上限就是 40000，阈值 5 万在数据域之外。这两条规则永远不可能触发——不是很少，是零——产品额度上限调整后忘了删。
SymPy 区间分析给出精确证明：
R7金额: Interval.open(50000, oo) ∩ Interval(500, 40000) = EmptySet
R8信用分: Interval.open(-oo, 600) ∩ Interval(610, 845) = EmptySet
R9逾期: Interval(20, oo) ∩ Interval(0, 58) = Interval(20, 58) ← 非空, 需数据判定
R10收入: Interval.open(-oo, 10000) ∩ Interval(1000, 110000000) = Interval(1000, 10000) ← 非空R7/R8 交集为空，数学死分支，删了绝对安全；R9/R10 区间非空，数学上"可能"命中，但命中率只有 0.0004% / 0.008%——必须靠数据判定。
4.3 濒死分支：R10 是最有意思的一条
R10（收入<1万 ∧ 金额>3万）的成因写的是"审批互斥假设"——策略团队当年认为"收入不到 1 万的人不可能贷到 3 万以上"，加这条规则是为了兜底。但 LendingClub 实测：
- 收入<1万 的客户：3,055 人（单条件，占样本 0.14%）
- 收入<1万 ∧ 金额>3万：190 人
假设被数据打脸：P2P 平台审核宽松，确实存在低收入高额度的借款人。这条规则不是死的，但它拦截的 190 人（0.008%）命中率极低——每 11,879 个客户才拦 1 个，维护成本和它的实际贡献不成比例。更要命的是，190 人的坏账率只有 6.8%，低于全样本的 11.9%——它拦的甚至不是坏人（见 4.5）。
4.4 死分支的代价：每笔申请都白算
关键事实：规则引擎对每笔申请会跑全部规则。9 条规则里 4 条死/濒死，意味着每笔申请有 4 次评估是"命中约等于 0 的白算"：
- 总申请 2,257,151 笔 × 4 条死/濒死规则 = 9,028,604 次无意义评估
- 4 条死/濒死规则占规则总数的 44%，合计只命中 199 人
这不是计算性能问题（规则引擎很快），而是规则治理问题：44% 的规则在系统里"占着位置不干活"，每次规则评审都要review它们、每次监控都要看它们、每个新人理解策略都要先跳过它们——这些隐性成本远超那几毫秒的计算时间。
4.5 精度视角：命中率低 ≠ 没价值，要看拦的是谁
只谈命中率会漏掉一个更关键的问题：规则拦截的人群，质量到底怎么样？ 把 9 条规则拦截人群的坏账率（Charged Off/Default 占比）拉出来对照：
| # | 命中 | 命中率 | 坏账率 | 对照全样本 11.9% | 判定 |
|---|---|---|---|---|---|
| R1 | 6,175 | 0.274% | 17.5% | 高于整体 → 拦截高风险 | ✅ 活跃且值钱 |
| R2 | 43,836 | 1.942% | 12.9% | 略高于整体 | ✅ 活跃 |
| R3 | 20,161 | 0.893% | 15.8% | 高于整体 | ✅ 活跃 |
| R4 | 115,604 | 5.122% | 21.6% | 最高 → 最值钱 | ✅ 活跃且值钱 |
| R5 | 1,935 | 0.086% | 5.6% | 低于整体 | ⚠️ 活跃但拦偏了 |
| R9 | 9 | 0.0004% | 0.0% | 全样本最低 | ★ 濒死 + 拦好人 |
| R10 | 190 | 0.008% | 6.8% | 低于整体 | ★ 濒死 + 拦好人 |
这张图讲清楚了"命中率低 ≠ 没价值"：R9 命中 9 人坏账率为 0，R10 命中 190 人坏账率 6.8%——两条濒死规则的拦截人群坏账率都低于全样本。换句话说，它们拦的几乎全是"好人"：R9 拦截的 9 个逾期 20 次以上的客户，最终没有一笔坏账（逾期次数多≠高风险，这些人可能只是还款记录难看但实际都还上了）；R10 拦截的低收入高额度人群，违约率只有整体的一半。
对比之下，R4 命中 11.5 万人、坏账率 21.6%，是全场最"值钱"的规则；R5 命中率低且坏账率只有 5.6%——活跃规则里也有拦偏了的。所以死分支治理必须看两个维度：会不会触发（命中率）× 拦的是谁（精度）。命中率低但精度高（拦的全是坏人）的规则叫"狙击手"，删之前要三思；命中率低且精度低（拦的全是好人）的规则叫"空枪"，删掉没损失。
4.6 删除安全性验证：删了到底会放走什么
光说"濒死"还不够，业务上要回答的问题是：删掉这些规则，会放走哪些客户？ 做交叉验证——把 R9/R10 命中的人逐一比对是否被其他 5 条活跃规则覆盖：
- R10：命中 190 人，其中 178 人被 R2（收入<5万 ∧ dti>35）覆盖、24 人被 R1 覆盖——190 人里有 178 人即使删掉 R10 也会被其他规则拦住，R10 真正独有拦截的只有 12 人
- R9：命中 9 人，没有任何活跃规则覆盖——删掉 R9 会放行全部 9 人
那放行的 21 人质量如何？——坏账 0：
| 删除 | 真正放行 | 坏账 | 释放额度 |
|---|---|---|---|
| R9 | 9 笔 | 0 | $132,000 |
| R10 | 12 笔 | 0 | $427,225 |
| 合计 | 21 笔 | 0 | $559,225 |
两条濒死规则拦截的 21 个客户，没有一个是坏账。删除它们：零坏账损失，同时释放 55.9 万美元的安全额度（按 LendingClub 平均 12% 年利率，一年潜在利息收入约 6.7 万美元）。这才是"濒死规则"的完整代价——最贵的是被错误拒绝的好客户和放不出去的额度。而 R10 还暴露了另一个问题：它的拦截作用 94% 被 R2 重复覆盖（178/190），这是 #105b 讨论过的代理变量冗余——R10 同时犯两种病：统计濒死 + 与 R2 高重叠。一条规则占着位置，既没拦到坏人，也没拦住别人没拦的人。
05 关键要点：怎么给规则引擎"扫墓"
死分支检测不该是一次性的，应该成为规则治理的常规动作。四步流程：
第一步：区间代数扫描（数学层）。 用 SymPy 把每条规则的数值条件与字段数据域求交集，交集为空直接标记数学死分支——不需要看数据，可以自动化。建议每次字段口径变更、产品参数调整后跑一遍。
第二步：命中率体检（数据层）。 对区间非空的规则算命中率，低于 0.01% 标记濒死。注意：这个结论只对当前数据成立，客群变了要重跑。
第三步：成因溯源。 每条死/濒死规则问一句"当年为什么加"：
- 额度上限/准入标准调整后忘了删 → 确认后直接删
- 审批互斥假设被数据打脸（R10）→ 评估是否放宽阈值
- 旧风控标准跟不上客群变化（R9）→ 看业务是否需要更新
第四步：数据质量前置检查。 检测死分支前先排数据坑。本文发现 dti 字段有 -1 哨兵值和 999 异常值，单独跑"dti>80"居然有 4,093 人命中——全是脏数据。如果先不清理数据，你会把"数据质量问题"误判成"规则问题"，越修越乱。
第五步：精度体检 + 删除安全性验证。 对濒死规则补两刀：先看它拦截人群的坏账率（拦的是好人还是坏人），再做交叉覆盖——命中的人里有多少会被其他规则拦住。删掉一条规则真正放行的、坏账为 0 的那部分，就是它造成的隐性损失。
关键区分（延续 #105/#105b 的框架）：
- 数学死分支（R7/R8）：区间交集为空，数学可证，与数据无关——删了绝对安全
- 统计濒死分支（R9/R10）：区间非空但数据极薄，只能当前数据验证——删不删要看精度和覆盖
死分支治理的完整三问，对应本文的三个检测通道：
- 会不会触发？——区间代数扫数学死分支（与数据无关，可证明）
- 触发多少次？——命中率体检扫统计濒死（当前数据有效，要重跑）
- 拦的是谁？——坏账率精度体检 + 交叉覆盖（决定删不删、删了放走什么）
最强结论：本文 9 条规则里，2 条数学死 + 2 条统计濒死；而两条濒死规则拦截的 21 个客户坏账率为 0——删除它们零损失，还能释放 55.9 万美元安全额度。也就是说，"濒死规则"最贵的，是它一直拦着的好客户。
"死分支"的结论必须限定边界：在 LendingClub 这 2,257,151 笔样本上，9 条复合规则里 2 条数学死、2 条统计濒死，且濒死规则拦的都是零坏账客户。真实业务数据上，这个结论不一定成立——但方法成立：区间代数扫数学死，命中率体检扫统计濒死，精度体检问拦的是谁，数据质量检查在前，交叉覆盖验证在后。这套流程跑一遍，你的规则引擎里有多少"占着位置不干活"甚至"拦着好人"的分支，一目了然。
数据说明： LendingClub 2007-2018年公开贷款数据（226万笔），本地parquet读取，剔除缺失值及年收入<=0后样本2,257,151笔。9条复合规则按贷款金额(loan_amnt)、负债率(dti)、逾期次数(delinq_2yrs)、账户数(open_acc)、年收入(annual_inc)、信用分(fico_range_low)、循环利用率(revol_util)、近6月查询(inq_last_6mths)组合定义，仅作方法论演示，不代表任何真实机构的策略。命中率=规则命中/总样本，阈值分位=字段分布中小于阈值占比。坏账=贷款状态为Charged Off或Default，全样本坏账率11.9%。区间分析用 SymPy Interval.intersect，命中统计与坏账率用 DuckDB 实际查询，交叉覆盖=濒死规则命中人群与其他活跃规则命中集合的并集比对。
代码环境： Python 3.11，DuckDB，SymPy，pandas，numpy，matplotlib；随机种子seed=42（本实验无随机性依赖）。
© QianStat_data