风控策略规则的代理变量冗余——九条规则三个维度，最优只需三条

2026年8月11日 · 预计阅读 10 分钟

关键词：代理变量，策略冗余，独有命中，Lift，集合覆盖，策略最优

01 现象：九条规则，三个维度，拦的是同一批人吗

为什么你的策略系统里规则越加越多，拦截率却不涨？

上一篇（#105）讲了"逻辑冗余"：规则A命中的每一个客户，规则B都命中，A是B的子集——布尔代数可以直接证明，删掉A不影响任何结果。

但真实业务里，更常见的冗余长这样：同一个风险维度，被换着花样加了多条规则。

举一个几乎每家机构都有的场景。策略团队三年里陆续加了9条规则，仔细一看，它们其实只覆盖三个风险维度：

维度	规则	谁加的
A 负债压力	A1 负债率 > 30%	同事1
	A2 月供收入比 > 0.15	同事2
	A3 贷款额收入比 > 0.40	同事2
B 多头授信	B1 账户数 >= 19	同事3
	B2 总账户数 >= 40	同事1
	B3 近6月查询次数 >= 2	同事3
C 信用历史	C1 信用分 < 680	同事2
	C2 逾期次数 >= 2	同事1
	C3 近12月催收 >= 1	同事3

每条规则单独看都有道理：负债高的、多头借贷的、信用差的，都是风险信号。但问题是——A1、A2、A3 都在测"这人还不还得起钱"，B1、B2、B3 都在测"这人借了多少家"，C1、C2、C3 都在测"这人以前信用好不好"。

同一件事，测三遍，有意义吗？

02 追问：代理变量，是不是天然冗余

先看一个残酷的事实。把 LendingClub 2007-2018 年公开贷款数据（226万笔，剔除缺失后样本 2,257,038 笔）里的变量两两算相关：

C o r r (月供收入比, 贷款额收入比) = 0.987

月供收入比（pti，月供/月收入）和贷款额收入比（lti，贷款额/年收入），相关系数 0.987——它们几乎是同一个变量。一个客户贷款额高，月供必然高；月供收入比高，贷款额收入比也高。A2 和 A3 这两条规则，本质是同一把尺子的两种刻度。

再算账户数（open_acc）和总账户数（total_acc）：

C o r r (账户数, 总账户数) = 0.718

多头授信维度里，B1 和 B2 也高度相关。

为什么会出现这种"同一个维度换着花样加规则"？因为真实业务里，字段有缺失、有噪声、不同数据源口径不同——团队为了"稳健"，每发现一个新字段就补一条规则。初衷是好的，但代价是规则之间大量重复拦截。

这里有个关键区分（和#105的分工）：

#105 逻辑冗余：A⊆B，布尔代数证明，任何时候任何数据都成立
本文统计冗余：A 和 B 没有包含关系，但在真实数据上拦的是高度重叠的一批人——不能证明，只能实测

逻辑冗余可以靠数学判定，统计冗余只能靠数据说话。本文就是给统计冗余一个完整的量化框架，并且回答一个更实际的问题：给定目标覆盖率，最少要留几条规则？

03 方法：独有命中、Lift、重叠度、集合覆盖

3.1 独有命中——一条规则的"不可替代性"

和#105一样，先定义独有命中（unique hits）：只被这条规则拦截、不被任何其他规则拦截的客户数。

U (r_{i}) = | H (r_{i}) ∖ ⋃_{j \neq i} H (r_{j}) |

其中 $H (r)$ 是规则 $r$ 命中的客户集合。

$U (r_{i})$ 大：这条规则拦下了一批别人拦不到的人——不可替代
$U (r_{i})$ 小：它拦的人，其他规则基本都拦了——候选冗余

3.2 Jaccard 重叠度——谁和谁拦的是同一批人

两两重叠用 Jaccard 相似度：

J (r_{i}, r_{j}) = \frac{| H (r_{i}) \cap H (r_{j}) |}{| H (r_{i}) \cup H (r_{j}) |}

$J$ 越接近 1，两条规则拦的越是同一批人。关键看法：同一维度内的 $J$ 应该显著高于跨维度的 $J$ ——如果同维度代理变量的 $J$ 和跨维度差不多，说明你选的"代理变量"根本没在测同一件事，冗余分析无从谈起。

3.3 Lift——一条规则的"抓风险能力"

独有命中看"能不能删"，Jaccard 看"和谁重叠"，还缺一个指标回答"这条规则拦的人，到底有多危险"。风控行业用 Lift：

L i f t (r_{i}) = \frac{规则 r_{i} 命中人群的坏账率}{整体坏账率}

$L i f t = 1$ ：这条规则拦的人群风险和整体没区别——无效规则
$L i f t > 1$ ：它精准命中了比平均更危险的人，越高越值钱

Lift 和独有命中是正交的两个视角：独有命中看量（拦了多少别人拦不到的人），Lift 看质（拦的人是不是真危险）。一条规则可能独有命中很多但 Lift 接近 1（拦了一大堆"其实没那么糟"的人），也可能独有命中很少但 Lift 很高（拦的每一笔都是风险）——策略最优两个都要看。

3.4 贪心集合覆盖——策略最优的最小规则集

独有命中只回答"单条规则可不可替代"，不回答"整体最少要几条"。后者是经典的集合覆盖问题（set cover）：

min | S | s.t. ⋃_{r \in S} H (r) \supseteq ⋃_{r \in R} H (r)

要找覆盖全部拦截客户的最小规则子集 $S$ 。这是 NP-hard 问题，但规则数少时可以用贪心近似：每一步选"新增覆盖最多"的规则加入，直到覆盖全部。9 条规则时还能用穷举（ $2^{9} = 512$ 种子集）验证贪心是不是真的最优。

更重要的是业务的问法不是"100% 覆盖要几条"，而是**"我要拦下 95% 的高风险客户，最少几条规则"**——这直接给出策略优化的目标函数。

04 拆解结果：真实数据怎么说

在 LendingClub 2,257,038 笔样本上，把 9 条规则全部跑一遍。整体坏账率 13.21%，9 条规则合计拦截 1,372,887 人（60.83%）——拦截率偏高是因为 C1 信用分<680 一条就拦了 31.6%，规则之间大量重叠（这正是 4.3 要量化的冗余）。

4.1 单规则命中与独有命中

规则	维度	总命中	独有命中	独有占自身	命中坏账率
A1 负债率>30%	负债压力	245,256	82,209	33.5%	17.02%
A2 月供收入比>0.15	负债压力	176,479	17,162	9.7%	16.99%
A3 贷款额收入比>0.40	负债压力	197,613	36,330	18.4%	16.62%
B1 账户数>=19	多头授信	247,775	50,186	20.3%	13.99%
B2 总账户>=40	多头授信	239,735	45,701	19.1%	14.08%
B3 近6月查询>=2	多头授信	294,274	104,983	35.7%	19.05%
C1 信用分<680	信用历史	713,105	371,161	52.0%	17.88%
C2 逾期>=2次	信用历史	139,877	34,958	25.0%	15.70%
C3 催收>=1次	信用历史	37,412	8,252	22.1%	16.09%

注意：9 条规则没有一条独有命中为 0——不像#105的同特征阶梯那样有"必然冗余"。每条规则都拦下了一些别人拦不到的人。所以不能简单删，要量化"值不值得留"。

两个观察：

第一，代理变量确实在重复拦人。 A2 月供收入比的独有命中只有 17,162（占自身 9.7%），也就是说它拦的 17.6 万人里，90% 已经被其他规则拦了。A2 和 A3（相关 0.987）几乎互为替身。

第二，命中坏账率分层明显。 B3 近6月查询>=2 的命中坏账率 19.05%，是全表最高的——频繁查询是真风险信号；而 B1 账户数>=19 只有 13.99%，接近整体均值。同样是"多头授信"维度，B3 比 B1/B2 精准得多。

4.2 单规则 Lift：谁真正抓到了高风险人群

上一节表里最后一列是命中坏账率，把它除以整体坏账率（13.21%）就是每条规则的 Lift（定义见 3.3）：

规则	维度	命中坏账率	Lift
B3 近6月查询>=2	多头授信	19.05%	1.44x
C1 信用分<680	信用历史	17.88%	1.35x
A1 负债率>30%	负债压力	17.02%	1.29x
A2 月供收入比>0.15	负债压力	16.99%	1.29x
A3 贷款额收入比>0.40	负债压力	16.62%	1.26x
C3 催收>=1次	信用历史	16.09%	1.22x
C2 逾期>=2次	信用历史	15.70%	1.19x
B2 总账户>=40	多头授信	14.08%	1.07x
B1 账户数>=19	多头授信	13.99%	1.06x

Lift 揭示了独有命中看不到的真相：

B3 近6月查询>=2 的 Lift 高达 1.44x——频繁查询的人坏账率是整体均值的 1.44 倍，它是9条规则里"性价比"最高的一条，虽然命中只有 29 万，但每一笔都打在风险上
B1 账户数>=19 的 Lift 只有 1.06x——账户多的人坏账率只比整体高 6%，接近无效规则。这解释了一个反直觉现象：多头授信维度里，B1 总命中比 B3 多，但真正值钱的是 B3
有意思的是，Lift 和独有命中并不总是同向：B1 独有命中 5 万（比 B3 的 10 万少），Lift 却低得多——数量大不等于质量高

单规则 Lift 回答"哪条规则该留"，但策略优化还要回答"留几条、拦多少"。这就是通过率与风险的博弈。

4.3 重叠矩阵：维度内高、跨维度低

Jaccard 矩阵按维度分块（深蓝线框内是同一维度）：

维度内均值 0.165，最高 0.518（A2 月供收入比 ∩ A3 贷款额收入比——相关系数 0.987 的直接体现）
跨维度均值 0.048（最高 0.130）

同维度代理变量的重叠度是跨维度的 3.4 倍——说明"同一风险维度换着花样加规则"确实在重复拦人，而不同维度的规则相对互补。

4.4 贪心覆盖：边际收益递减

按贪心顺序逐条加入，覆盖率曲线：

步	加入规则	新增命中	累计覆盖	覆盖率
1	C1 信用分<680	713,105	713,105	51.94%
2	B3 近6月查询>=2	178,692	891,797	64.96%
3	A1 负债率>30%	156,582	1,048,379	76.36%
4	B1 账户数>=19	113,257	1,161,636	84.61%
5	A3 贷款额收入比>0.40	98,688	1,260,324	91.80%
6	B2 总账户>=40	50,494	1,310,818	95.48%
7	C2 逾期>=2次	36,486	1,347,304	98.14%
8	A2 月供收入比>0.15	17,331	1,364,635	99.40%
9	C3 催收>=1次	8,252	1,372,887	100.00%

边际收益快速递减：前 3 条覆盖 76%，前 6 条覆盖 95%，最后 3 条只贡献 4.5% 的增量（合计 62,069 人）。

穷举验证： 9 条规则共 $2^{9} = 512$ 个种子集，逐一遍历找覆盖全部 1,372,887 人的最小子集——结果与贪心完全一致（9 条才能 100% 覆盖），证明贪心在这个规模下就是最优。而目标覆盖率反推：

目标覆盖率	最少规则数	实际覆盖
90%	5 条	91.80%
95%	6 条	95.48%
99%	8 条	99.40%

策略团队开会时老板问"拦 95% 要几条"，答案不是拍脑袋，是这张表。

这里有个值得注意的巧合：贪心前 3 条（C1 信用分 → B3 查询 → A1 负债率）恰好就是 4.2 Lift 最高的 3 条。覆盖率最大化和命中质量最大化，两个独立视角在 3 条处重合——这暗示"每维度留 1 条"可能不只是省事，而是真的划算。4.6 会验证这一点。

4.5 通过率与风险的博弈：叠加规则的整体对比

4.4 的贪心覆盖只回答"覆盖率-规则数"，但真实策略决策还要回答另一个问题：每加一条规则，业务通过率下降多少，风险降多少。把 9 条规则按贪心顺序逐条叠加，每一步记录两个指标：通过率（1 - 拦截率）和通过人群的坏账率（没被拦下的那部分人，最终还有多少会坏账）：

叠加规则数	通过率	通过人群坏账率	漏拦坏账	漏拦率
0（不拦）	100%	13.21%	298,177	100%
1	68.41%	11.05%	170,646	57.23%
2	60.49%	10.33%	141,080	47.31%
3	53.55%	9.91%	119,735	40.16%
4	48.53%	9.91%	108,589	36.42%
5	44.16%	9.47%	94,429	31.67%
6	41.92%	9.45%	89,391	29.98%
7	40.31%	9.36%	85,110	28.54%
8	39.54%	9.20%	82,121	27.54%
9（全量）	39.17%	9.18%	81,175	27.22%

博弈的本质在这张表里，但用"百分比点"对比容易绕晕——换个更业务化的口径：每拦下 100 个客户，里面有几个真坏账。

区间	新拦人数	其中坏账	每拦100人的坏账数
前 3 条规则（0→3）	1,048,379	178,442	17.0 个
第 4-6 条（3→6）	262,439	30,344	11.6 个
第 7-9 条（6→9）	62,069	8,216	13.2 个

等一下——第 7-9 条（C2 逾期、A2 月供收入比、C3 催收）每拦 100 人有 13.2 个坏账，反而比第 4-6 条（11.6）高？这里要区分"数量冗余"和"质量":第 7-9 条虽然是"低覆盖增量"（新增命中少），但它们的命中质量并不差（C2 逾期 Lift 1.19、C3 催收 1.22），只是命中的总量小——它们拦的人不多，但拦到的人里有相当比例是坏账。

所以真正的博弈结论要分两层：

第一层，数量边际递减。 从覆盖角度看，前 3 条覆盖 76%，后 6 条只补 24%。贪心顺序下，越往后单条规则新增的拦截量越少（从 71 万降到 8 千）。

第二层，质量不随数量同步衰减。 从 Lift 看，第 7-9 条（C2 1.19x / A2 1.29x / C3 1.22x）的命中质量并不比第 4-6 条（B1 1.06x / B2 1.07x / A3 1.26x）差——真正拖后腿的是 B1 账户数>=19（1.06x）和 B2 总账户>=40（1.07x）这对"多头授信"的弱代理变量。

把两层合起来，策略最优的完整答案浮现了：

数量上，9 条里前 6 条已覆盖 95.5%，第 7-9 条只是"补漏"（覆盖增量 4.5%）
质量上，真正 Lift 低的是 B1/B2（1.06-1.07x）——"数量不小但质量差"
所以最优不是简单的"前 6 条"或"每维度 1 条"，而是贪心覆盖顺序 + Lift 质量双排序的交叉：优先保留高 Lift 规则（B3/C1/A1），优先删除低 Lift 规则（B1/B2），再按覆盖率目标定条数

单规则 Lift 告诉你哪条该留（B3 1.44x，B1 1.06x 该删），叠加博弈曲线告诉你留几条（前 3 条覆盖性价比最高）——但两个视角合起来怎么定最终方案，见 4.6。

4.6 策略最优：更少的规则，更精准的拦截

现在把 4.5 的博弈结论收敛成一个具体方案对比：每个维度只留最优的 1 条（A1 负债率>30% + B3 近6月查询>=2 + C1 信用分<680），3 条规则 vs 全量 9 条：

方案	覆盖人数	占总拦截	命中坏账率	拦截坏账笔数
每维度最优 1 条（3条）	1,048,379	76.36%	17.02%	178,442
全量 9 条	1,372,887	100%	15.81%	217,002

反直觉的结论出现了：3 条规则比 9 条规则更精准。

覆盖率从 100% 降到 76%，但命中坏账率从 15.81% 升到 17.02%。为什么？3 条方案保留的是每个维度 Lift 最高的一条（A1 负债率 1.29x、B3 查询 1.44x、C1 信用分 1.35x），删掉的 6 条各有各的"弱"：

A2 月供收入比：与 A3 相关 0.987（几乎同一变量），独有命中仅占自身 9.7%——被同维度的 A1/A3 覆盖
A3 贷款额收入比：与 A2 互为替身，A 维度留下 Lift 更高的 A1 就够
B1 账户数>=19 / B2 总账户>=40：Lift 只有 1.06-1.07x，拦的人坏账率 14% 左右，接近整体均值 13.21%——质量型冗余
C2 逾期 / C3 催收：覆盖增量小（贪心第 7、9 位，合计只补 3.2% 覆盖）——尾部补漏

删掉这 6 条后，剩下的拦截集中到了真风险人群，所以 3 条方案的命中坏账率反而更高。

代价是漏拦了 324,508 人（23.64%），其中坏账约 38,560 笔。所以策略最优不是一个点，是一条权衡曲线：

要全覆盖（监管/审慎要求）→ 9 条，接受 15.81% 的命中坏账率（更宽的网）
要精准（获客/利润导向）→ 3 条，接受 76% 的覆盖率（更准的枪）
折中（95% 覆盖）→ 6 条，坏账率落在中间

05 结论：怎么科学地给策略系统"减脂"

回到开头的问题。策略系统减冗余，正确流程是四步：

第一步：维度归并。 把规则按风险维度分组（负债/多头/信用），先问"这个维度真的需要多条规则吗"。相关性越高的代理变量，重叠概率越大——本文两对相关 >0.7 的变量（0.987、0.718）都出现了高 Jaccard 重叠（0.518、0.339），值得优先核查。

第二步：算独有命中。 逐条算 $U (r_{i})$ 。独有命中占比低于 10% 的规则（本文的 A2 是 9.7%），是首要候选。

第三步：画覆盖率曲线 + 博弈曲线。 用贪心集合覆盖画出"覆盖率-规则数"曲线，按目标覆盖率反推最少规则数；再看叠加过程中的"通过率 vs 通过人群坏账率"，确认每加一条规则的实际风险收益——这是策略最优的量化依据。

第四步：质量复核（Lift）。 算每条规则的 Lift（命中坏账率/整体坏账率）。Lift 接近 1 的规则（本文的 B1 账户数>=19 是 1.06x、B2 总账户>=40 是 1.07x，几乎不区分风险）是"数量不小但质量差"的典型，优先删除；同时注意漏拦的绝对笔数，监管场景下"漏"比"误"更致命。

关键区别（也是本文和#105的分工）：

#105 逻辑冗余：A⊆B，布尔代数证明，任何时候任何数据都成立
本文统计冗余：命中集合高度重叠，只能在当前数据上验证，换数据要重跑

"统计冗余"的结论必须限定边界：在 LendingClub 这 2,257,038 笔样本上，3 个维度的 9 条代理变量规则，最优只需每个维度 1 条（3 条覆盖 76%，命中坏账率反而更高）；通过率-风险博弈曲线显示前 3 条规则性价比最高，被删的 6 条分三类——同维度冗余（A2/A3）、低 Lift 质量冗余（B1/B2）、尾部补漏（C2/C3）。真实业务数据上，这个结论不一定成立——但方法成立：独有命中、Jaccard、Lift、贪心集合覆盖、目标覆盖率反推、通过率-风险博弈，这套流程跑一遍，你的系统里哪些规则是"同一把尺子的两种刻度"，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，剔除缺失值后样本2,257,038笔。9条规则按负债率(dti)、月供收入比(installment/annual_inc/12)、贷款额收入比(loan_amnt/annual_inc)、账户数(open_acc)、总账户数(total_acc)、近6月查询(inq_last_6mths)、信用分(fico_range_low)、逾期(delinq_2yrs)、催收(collections_12_mths_ex_med)定义，仅作方法论演示，不代表任何真实机构的策略。坏账定义为loan_status属于Charged Off/Default/Late(31-120 days)/In Grace Period。Lift=命中坏账率/整体坏账率。独有命中、Jaccard、Lift、贪心覆盖、通过率-风险博弈均来自DuckDB实际查询与Python计算。

代码环境： Python 3.11，DuckDB，pandas，numpy，matplotlib；随机种子seed=42（本实验无随机性依赖）。

风控策略规则的代理变量冗余——九条规则三个维度，最优只需三条 ​

01 现象：九条规则，三个维度，拦的是同一批人吗 ​

02 追问：代理变量，是不是天然冗余 ​

03 方法：独有命中、Lift、重叠度、集合覆盖 ​

3.1 独有命中——一条规则的"不可替代性" ​

3.2 Jaccard 重叠度——谁和谁拦的是同一批人 ​

3.3 Lift——一条规则的"抓风险能力" ​

3.4 贪心集合覆盖——策略最优的最小规则集 ​

04 拆解结果：真实数据怎么说 ​

4.1 单规则命中与独有命中 ​

4.2 单规则 Lift：谁真正抓到了高风险人群 ​

4.3 重叠矩阵：维度内高、跨维度低 ​

4.4 贪心覆盖：边际收益递减 ​

4.5 通过率与风险的博弈：叠加规则的整体对比 ​

4.6 策略最优：更少的规则，更精准的拦截 ​

05 结论：怎么科学地给策略系统"减脂" ​

相关阅读