AI 原生型借贷金融科技公司：将模型治理转化为股权价值

1. 明确股权决策

这项工作应始于董事会所面临的决策。一级股权融资、战略投资、二级出售或收购都需要明确金额、募集资金用途、资金跑道、估值区间、经营里程碑和决策日期。模型治理审查应服务于该决策，而不是成为一项脱离实际的技术性工作。

核心股权问题是，贷款机构能否在更大规模上发起并管理可盈利信贷，同时不失去对筛选、定价、损失、客户、流动性和合规的控制。投资论证应表明哪些模型能力已部署、已获独立验证，并已体现在已实现的现金结果中。路线图能力应单独进行成本测算、时间安排和风险调整。交易模型应纳入新队列在其经济性可被观察之前完成账龄成熟所需的资金。

2. 界定法律与经济边界

该边界应识别每个产品和地区的贷款方、发起机构、服务商、经纪商、平台、融资载体和数据处理方。它应明确哪一实体拥有应收账款、承担信用风险、控制信贷审批、收取现金并持有相关牌照。公司间安排和表外安排需要明确映射。

股权价值取决于经济收益与义务的归属。赚取发起费但不保留贷款的平台，与为资产提供资金并吸收预期和非预期损失的贷款方不同。首损承诺、担保、回购义务、仓储融资契约和风险分担条款，可能使看似轻资产的业务重新承担风险敞口。在对运营模式进行估值前，应核对合同、会计处理和实际行为。

3. 建立来源受控的证据台账

证据库应包括产品条款、申请、征信局数据和替代数据、决策记录、模型版本、评分输出、覆盖记录、报价、已接受贷款、放款、还款计划、付款、逾期、贷款修改、违约、回收、投诉、融资和台账记录。每条观察记录都应保留稳定的客户、融资工具和事件标识符。

表1. 贷款证据台账

证据要求应适配产品、法律实体、会计框架和监管边界。

衍生数据应保留其计算逻辑、源时间戳、责任人和质量状态。人工修正和缺失结果应保持可见。不含记录级数据血缘的仪表板提取数据不足以支持交易尽职调查，因为总体变化和结果排除可能实质性改变模型表面表现。

台账应支持双向对账。审核人员应从总账出发，将收入、应收账款、拨备和核销追溯至授信和群组。从授信总体出发，他们应将合同现金流、付款状态、违约和回收重建为会计总额。由截止、币种、状态映射或系统迁移造成的差异应予以量化并解决。这一受控总体成为模型验证、单位经济性、融资合规和投资者报告的共同分母。否则，不同团队可能基于不同的贷款总体呈现各自内部一致的结果。

4. 梳理贷款经济性

运营图谱应连接申请、审批、受理、放款、应收、利息和费用收入、资金成本、欺诈、预期信用损失、贷后服务、催收、合规、资本和现金。每一步都应明确实体、系统、责任人和会计处理。

该图谱可防止在后果显现之前将审批增长视为价值。更高的审批率可能提高放款量和收入，同时带来更严重的损失、流动性压力和催收工作量。反之，模型即使总体业务量放缓，也可能通过拒绝弱质贷款改善风险调整后贡献。投资者应看到完整的桥接，而不是单一绩效指标。

该图谱还应随时间区分资产所有权和服务经济性。已发放贷款可能被保留、出售、参与、证券化，或在远期流转安排下转让。费用确认、追索权、服务义务和剩余风险可能在每一步发生变化。公司应从运营公司和任何融资载体的角度计算经济性。否则，若计入放款费用却忽略支撑该费用的首损资本或回购敞口，合并价值可能被高估。

5. 治理数据溯源

数据溯源说明输入源自何处、何时被观测、为何可以使用、如何被转换，以及在生产环境中是否仍然可用。来源可能包括客户提交、征信机构、银行交易、设备信号、发票、开放银行和内部还款历史。法律与同意要求需视具体事实而定。

训练数据集应区分原始字段、衍生特征和标签。时点控制至关重要：授信决策之后产生的信息不得泄漏到训练特征中。供应商数据应保留版本、覆盖范围、更新频率和合同权利。数据溯源的局限性应传导至验证、模型使用条件和估值论证，因为模型无法在数据不稳定、不可用或使用不合法的情况下可靠扩展。

特征血缘应能从生产代码复现，而不是事后重建。转换应明确单位、缺失值处理、异常值、聚合窗口和时区。当银行交易特征使用过去九十天的数据时，系统应证明只有决策时点之前可获得的数据进入了计算。数据更正应创建新版本，并保留原始决策记录。审查应比较开发与生产环境的特征分布，包括各供应商提供的数据占比，以便依赖关系和静默的模式变更可见。

6. 定义观察窗口

信用结果会随时间成熟。表现窗口应与产品期限、还款频率、治愈行为和损失显现相匹配。三个月的观察可能适用于早期逾期指标，但对于全生命周期违约或回收而言并不充分。近期队列不应在未作调整的情况下与成熟队列比较。

模型应记录申请日期、决策日期、放款、计划还款、逾期里程碑、违约、治愈、修改、核销和回收。报告应说明每个队列中已达到相关成熟度的比例。股权预测应包含未成熟余额的不确定性，并应避免将提前还款表现视为完整的损失结论。

结果滞后应转化为证据阶梯。申请欺诈和首期还款违约可能很快显现；十二个月违约、全生命周期损失和回收则需要更长观察期。因此，每项指标都应说明其成熟期限和已观测敞口占比。当公司快速调整授信时，近期增长证据可能仅限于领先指标。投资者应看到这些指标在历史上如何预测成熟结果以及误差范围。资金计划应留出足够流动性，以便在假设其经济性能够支持进一步加速之前观察下一队列。

7. 明确目标和决策用途

模型需要精确的目标：违约概率、首期还款违约、欺诈、损失、可负担性、提前还款或其他结果。目标应说明期限、事件定义、治愈、修改、敞口和排除项。其与实际信用决策之间的关系应予以记录。

一个评分可能支持排序，而政策决定批准、额度和定价。尽职调查应区分模型预测与业务规则、人工审核和资金约束。如果模型以某一目标训练，却以另一目标进行营销，则其经济主张需要受到质疑。在模型输出纳入股权故事之前，董事会应批准预期用途、禁止用途和绩效限制。

目标构建应处理模糊性。借款人可能因操作失误而错过还款、进入财务困境、再融资、治愈或在观察窗口之后违约。排除已修改或已出售的贷款可以改善表面表现，但同时会剔除具有经济相关性的结果。目标开发文档应展示纳入、排除以及对替代定义的敏感性。当损失严重程度很重要时，二元违约目标可由敞口和回收模型补充。组合决策目标应保持对信用、财务和治理团队可理解。

8. 构建从数据到损失链路

从数据到损失链路将申请时可得的信息与模型输出、信用政策、客户接受、贷后服务和已实现现金损失连接起来。它显示经济结果可能在哪些环节偏离预测表现。每个转换环节都应保留负责人、证据和例外处理信息。

该链条应载入公司特定的数据、决策和已实现结果。

该链条应在每个阶段核对数量与数值。评分与授信表现之间缺失的关联应加以量化。当该链条无法重现所报告的总体与现金结果时，模型收益主张应在交易关卡处判定为不通过。

核对应识别各阶段之间的流失。申请可能因重复项删除、身份核验不完整、政策拒绝、报价过期和放款失败而消失。公司可能在评分申请上计算模型提升度，同时呈报已放款贷款的损失，从而产生不一致的分母。该链条应在每次转换时保留总体与敞口的瀑布，并注明排除原因。它还应识别比较期内哪些阶段发生了变化。这使投资者能够将模型效应与政策、运营、放款和客户选择效应区分开来。

9. 定义开发总体

开发总体应代表目标借款人、产品、渠道、地域和经济状况。排除项应予以记录并说明理由。被拒绝申请会带来特殊挑战，因为其还款结果通常无法观察到；关于它们的假设可能产生选择偏差。

在条件发生变化时，训练、验证和测试样本应保留时间顺序。随机划分可能使重复借款人或相关授信跨样本泄漏。审查应检验客户层面的分离、时间留出以及在近期生产数据上的表现。外部数据集可以扩大覆盖范围，但需要具备可比性、权利和时点完整性的证据。

总体分析应比较开发、验证、申请、批准和入账分布。公司应在合法使用数据的前提下，展示按评分、收入、客户年限、行业、地域和获客渠道划分的覆盖情况。对于样本稀薄或缺失的细分群体，应设定明确的敞口限额，直至证据积累充分。对于重复借款人，需要决定分析单位是客户、授信还是事件。关联申请人和商户可能在观测值之间造成隐藏依赖。样本加权和拒绝推断假设应予以记录并进行敏感性检验，而不是在无形中嵌入。

10. 衡量批准与逆向选择

批准率应按评分区间、政策规则、渠道、产品、地域和客户细分进行衡量。接受率随后应显示哪些已批准借款人接受了所提供的价格和额度。较优风险可能拒绝昂贵的报价，使入账组合弱于已批准总体。

分析应比较申请、批准、报价、已接受贷款和已放款余额。定价实验和政策变化应予以记录。逆向选择可能表现为在给定评分下违约恶化，或表现为接受率集中于高风险借款人。股权模型应使用入账及已放款的经济效益，而不是假设已批准总体会以统一方式转化。

在存在足够受控证据的情况下，应对弹性进行检验。价格变化可能改变接受率、提前还款、重复使用和风险构成。提高价格以覆盖预期损失可能导致较低风险申请人离开，并可能恶化已实现利差。同样，提高额度可能吸引更强客户，也可能增加脆弱客户的敞口。运营模型应在资格条件一致的前提下比较报价单元，并应纳入客户结果约束。当实验不完整或选择问题妨碍因果解释时，管理层估计应予以标注。

11. 衡量预测提升度

区分度指标评估模型是否对风险进行排序；校准评估预测概率是否与已实现结果相匹配。常用统计量可包括受试者工作特征曲线下面积、基尼系数、精确率、召回率和按评分区间划分的提升度。指标选择应遵循模型目的和基础比率。

提升度应相对于可信基准进行评估，例如先前模型或已批准政策。如果没有时间外结果和生产结果，开发样本上的改善只是弱证据。统计不确定性、样本量和缺失结果应予披露。小幅提升在规模化时可能创造可观价值，而如果定价、接受、放款或催收失败，显著提升也可能几乎不产生现金价值。

指标选择应与运营决策挂钩。排序指标可支持审查优先级安排；校准支持定价和预期损失；在固定批准率下的精确率可支持特定政策权衡。表现应展示在决策实际发生的整个范围内，而不仅仅是全局平均值。置信区间以及自助法或其他适当的不确定性分析，可以防止小样本显得精确。审查还应检验一个简单基准。只有当复杂性足以改善时间外结果并覆盖治理与运营成本时，它才创造价值。

12. 构建提升度与损失矩阵

该矩阵应将排序改善与实际净损失和审批结果联系起来。它应显示模型是否改善了区分度、改变了已审批组合，并带来了更好的成熟期现金结果。结果应进行分群，以免总体改善掩盖了表现较弱的产品或客户群体。

数值仅为示意，不代表任何公司、市场基准或投资结论。

当信贷环境、政策、融资和客户结构同时发生变化时，模型应避免将所有改善都归因于 AI。在客户与风险保障措施约束下，受控的冠军-挑战者测试或分阶段部署可提供更强证据。

该矩阵可扩展为四个决策象限。提升度较高且成熟期损失较低，支持进一步受控扩展；提升度较高但损失不变，需要调查审批、定价和筛选；提升度较低且损失较低，可能反映政策收紧；损失较高且无论提升度如何，都需要整改。每个单元格应显示敞口、成熟度和不确定性。当少数大额违约主导损失时，模型可能在笔数上表现良好，但在金额上表现不利。因此，应将笔数、余额和现金结合起来考虑。

13. 检验校准

校准将预测风险与实际观测风险进行比较。审查应按评分区间、时间、产品和分群，考察预测概率与实际违约或损失。模型可以很好地排序借款人，却系统性地低估或高估绝对风险。

定价、限额、预期损失和资本可能依赖校准后的概率。因此，应在已入账组合和近期条件下检验校准。叠加调整和重新校准需要审批、生效日期和结果监测。预测不应假设在产品、数据、地域或宏观经济快速变化后，历史校准仍然有效。

校准图应显示预测概率和实际结果，并附敞口和置信度。组合层面的吻合可能掩盖某一分群的低估和另一分群的高估。回溯测试应尊重结果成熟度，且不应混用不同的违约定义。当模型为会计或资本流程提供输入时，映射和审慎性应分开治理。临时叠加调整可在数据积累期间应对不确定性，但反复叠加可能表明模型或其使用方式需要重新设计。估值模型应纳入持续不确定性造成的成本和增长约束。

14. 将评分与定价和限额挂钩

决策引擎应显示评分、可负担性、敞口、政策和客户条款如何决定审批、限额、期限、价格和抵押品。每条主要规则都应有负责人、理由、版本和测试证据。促销活动和合作方补贴的影响应单独列示。

风险定价应在法律和客户结果约束内覆盖资金成本、预期损失、服务、催收、合规、资本和目标回报。更高的名义收益率可能伴随更差的筛选和更低的回收。尽职调查应比较在欠款、豁免和修改后，已提供、已接受和已实现的年化经济性。

定价治理应明确哪些组成部分随评分变化，哪些由产品或监管固定。模型应区分名义利息、有效收益率、费用、促销折扣、滞纳金和预期豁免。可负担性和适当性控制应独立于回报目标。预测应检验价格变化是否会改变客户行为和催收工作量。当合作方提供激励或损失保护时，合同期限和续约风险应清晰可见，而不应被视为永久性经济性。

15. 构建批次账龄

批次账龄应按放款月份或季度对融资工具分组，并按账龄月数跟踪余额、逾期、违约、核销、回收、收入和现金。产品、评分、渠道、地区和政策版本应保留用于分群。

数值仅为示意；公司结论需要完整且经过充分表现期的融资工具层面证据。

批次账龄曲线揭示被总体增长掩盖的恶化。新增放款可能降低报告的组合损失率，因为这些贷款尚未经过充分表现期。交易模型应在相同账龄月数下比较批次，并应说明不完整期间的不确定性。

批次账龄报告应包括累计毛损失、净损失、现金收益率、提前还款、修改和贡献。违约率较低的批次仍可能表现不佳，因为其在获取成本收回前提前还款，或需要高强度服务。政策版本和模型版本应支持围绕变化进行精确比较。应同时保留风险敞口加权和融资工具数量视图。批次表现应在出售、核销和回收后与当前资产负债表勾稽，以免历史证据在融资工具的会计状态变化时丢失这些融资工具。

16. 分析逾期与治愈

逾期应对逾期天数、技术性欠款、困难援助、修改和治愈采用稳定定义。滚动率分析跟踪余额从正常到逾期、违约、治愈和核销的迁移。应同时保留融资工具数量和风险敞口金额。

催收政策会改变观察到的结果。更积极的联系策略可能提高治愈率，同时增加投诉或成本。还款假期和重组可能延迟违约确认。尽职调查复核应对合同还款计划、现金收款、状态迁移和会计分类进行勾稽。早期逾期可支持监控，但全生命周期经济性仍需成熟的损失和回收证据。

应为可比批次和稳定定义生成滚动率矩阵。如果这能反映产品的经济性，治愈应要求持续表现而非单次付款。破裂的还款安排和重复修改应保持可见。分析应识别 AI 优先级排序是否会改变联系分配，以及所衡量的收益在人员配置、季节性和借款人组合变化下是否仍然成立。应评估催收策略是否能实现合法且公平的客户结果。升级处理、外访、诉讼和专业代理机构的成本应计入净回收和单位经济性。

17. 衡量回收和违约损失率

回收分析应包括时间、金额、成本、渠道以及法律或抵押品处置路径。若剔除催收费用、诉讼、收回抵押物、销售折价和长时间延迟，毛回收可能高估价值。净现值现金才是相关经济衡量指标。

违约损失率应按产品、抵押品、清偿顺位、地区、批次和违约状态细分。模型可能改善违约发生率，而已入账贷款的可回收性却下降。股权预测应包括更大组合规模下的回收能力和成本。数据应保留核销后的回收，以免历史批次被截断。

回收时间很重要，因为仓储融资额度和经营现金可能需要在催收结束前偿还。模型应对未来现金进行折现，并应区分合同债权与预期回收。抵押品价值需要估值日期、状况、法律可执行性和处置成本。第三方催收承诺应与回款勾稽。如果远期流买方承担回收风险，定价和追索条款应说明该收益如何分享或返还给平台。

18. 对违约风险暴露建模

对于循环类或基于额度的产品，风险暴露可能在授信决策与违约之间增长。模型应跟踪已批准额度、已提取余额、未来使用率、费用、应计利息和信用转换。提高额度的政策变化即使在违约概率不变时也可能增加损失。

违约风险暴露应与资金需求和集中度相联系。借款人层面的视图应在相关情况下汇总关联融资和担保。未提取承诺和结算义务在压力情境下可能消耗流动性。交易预测应核对融资额度、预期使用率、资金可用性和契约余量。

额度管理应在受控政策下对新信息作出反应。基于使用情况的自动提额可能在不利表现出现之前迅速形成风险暴露。降额可能影响客户，并可能需要通知或解释。模型应按评分区间、客群和宏观条件测试使用率，包括压力前的提款。在控制措施和回收方式不同的情况下，欺诈风险暴露与信用风险暴露应保持区分。情景分析应包括使用率与违约的相关性，因为受压客户在还款能力减弱时可能提取更多。

19. 核对预期信用损失

IFRS 9 预期信用损失采用概率加权的现金短缺、货币时间价值以及合理且有支持的信息，并受准则和专业判断约束。信贷金融科技公司应核对授信模型与会计模型，而不应假定二者具有相同目的或校准。

阶段划分、信用风险显著增加、违约概率、违约损失率、违约风险暴露、情景和管理层叠加调整应形成文档并受到治理。历史信息仍是锚点，而当前和前瞻性条件可能需要调整。合资格会计师和审计师应确定适用处理方式。股权模型应将已报告拨备与经济损失和现金衔接起来。

核对应解释授信损失、会计预期信用损失、监管拨备和交易案例经济损失之间的差异。它们可能采用不同的期限、定义、情景和审慎程度。投资者不应将其合并或选择最低结果。管理层叠加调整应具备理由、证据、审批、分配和释放标准。阶段分布的变化甚至可以在核销之前提供早期预警。预测应在财务报表之间一致地连接拨备、收入确认、资本和融资影响。

20. 构建风险调整后的单位经济效益

单位经济效益应始于合同收益率和费用，然后扣除资金成本、预期损失、欺诈、服务、催收、支付处理、合规、数据、模型、客户支持以及直接归属的获客成本。时间因素应通过现金流和久期体现。

表 2. 风险调整后的贷款经济效益

分类与分配应与公司的会计、融资和现金记录核对一致。

结果应按客户群组、评分区间、产品和渠道展示。混合盈利能力可能掩盖集中于负贡献贷款的增长。公司管理费用和开发投资应保留在业务单元桥接分析之外，并保持可见。

生命周期价值应基于生存与损失曲线下的预期现金流计算，而不是合同收益率乘以期限。重复借款只有在观察到后续融资安排，并将其获客、损失和资金成本纳入后，才能增加价值。客户获取成本应与已获得资金支持的借款人口径一致，并应区分自然、合作伙伴和付费渠道。模型改进可以通过更好的审批、更低的损失或更低的审查成本创造价值；桥接分析应防止同一收益被计入多个项目。

21. 将贡献与现金对账

利息和费用收入应与已开票和已收回的现金进行对账，包括欠款、豁免、修改和核销。融资提款、还款、利息、准备金和抵押品应与贷款人的现金头寸进行桥接。受限资金或客户资金不应被视为不受限流动性。

快速增长可能在会计损失出现之前造成现金缺口。发放贷款会消耗资金，而收入和回收款到账较晚。仓储融资的垫款率、合格标准、集中度限制和准备金可能随着表现恶化而收紧。每周流动性和契约预测应补充股权估值模型。

现金对账应按账户列示本金回收、利息、费用、提前还款、回收款、服务汇款、融资提款和还款。暂记、未分配现金和结算余额应进行账龄分析。压力情景应包括回款延迟和融资额度提款限制。股权收益应分配于运营资金跑道、第一损失资本、准备金和增长投资，并防止重复使用。这使董事会能够判断，所请求的募资是用于支持经过衡量的模型优势，还是仅仅弥补隐藏的组合和资金缺口。

22. 检验公平性与客户结果

组织应在合法数据边界内，跨相关客户群体评估审批、价格、额度、误报、逾期处理、修改、投诉和补救结果。缺失属性和小样本应予以披露。公平性涉及政策、法律和统计判断，而不是单一指标。

客户结果应与申诉和人工复核相连接。即使排除了受保护属性，数据代理变量仍可能产生不平等影响。董事会应批准测试、阈值、升级和补救。当发现重大弱点时，潜在赔偿、监管行动和信任损害应纳入下行分析。

公平性测试应在解释结果之前设计。指标可能相互冲突，适当的分析取决于决策目的、法律和数据。公司应比较模型、政策和最终决策，因为人工覆盖或可负担性规则可能改变结果。样本量、缺失属性和代理方法应予以披露。不利发现应导致根因分析、风险敞口评估、纠正和监控。交易数据室应包括治理和补救证据，同时避免暴露不必要的个人数据。

23. 生成决策解释

申请人和复核人员可能需要可理解的信贷决策理由。解释应反映模型和政策实际使用的主要因素。与决策不对应的通用原因代码会削弱客户保护和控制。

解释方法应就保真度、稳定性和可用性进行验证。局部解释在相似案例之间可能有所变化；特征交互可能使简单排序产生误导。组织应将模型因素映射到经批准的原因代码，在生产决策中测试这些代码，并提供有效的纠正路径。适用性取决于司法管辖区和产品，需要法律和监管审查。

运营测试应对批准、拒绝、价格变化和额度降低进行抽样。复核人员应确认所述理由对实际结果具有实质性影响，使用可理解的语言，并在不同系统版本之间保持一致。若供应商提供原因代码，贷款人应依据其配置和政策进行验证。解释质量应通过错误、申诉、投诉和补救来衡量。复杂模型若无法支持所需决策，即使其预测统计指标很强，也可能需要限制使用。

24. 治理人工覆盖

当用户更改输入、评分、审批、价格或限额时，就会发生覆盖。每次覆盖都应记录原因、证据、权限、方向、幅度和结果。政策应界定允许的情形和限额。

覆盖分析应将违约、损失、审批和客户结果与未被覆盖的决策进行比较。频繁或重大的覆盖可能表明数据缺失、模型薄弱、政策冲突或激励因素。CBUAE的《模型管理标准》要求受涵盖机构对模型输入和输出覆盖实施健全治理。应基于事实评估金融科技适用性和合同责任。

方向很重要。正向覆盖可能提高审批率和损失；负向覆盖可能减少准入并造成不一致。审查应比较审查人员、分支机构、渠道和原因。结果分析应考虑选择偏差，因为被覆盖的案例不同于自动决策。覆盖限额应触发升级和可能的重新校准。如果业务用户经常绕开模型，股权叙事不应将模型表现呈现为最终决策引擎。在覆盖使用得到控制之前，整改成本和增长约束应纳入预测。

25. 设计可问责的人工决策

人工审核应有明确目的。审核人员可以评估模型之外的信息、更正数据或应用政策。他们需要培训、权限、证据和质量保证。当审核人员无法理解或质疑输出时，名义上的人工点击并不能形成有意义的监督。

决策队列应按数量、处理时间、积压时长、审批、一致性和结果进行衡量。自动化可能释放产能，而复杂案例会增加。人员配置预测应包括监督和质量审查。客户申诉和投诉应通过受控反馈回路为政策和模型监控提供信息。

在适当情况下，审核权限应与模型开发激励相分离。质量保证应抽样检查已接受和已拒绝的决策，并将发现的问题跟踪至培训、政策或模型变更。工作流设计应防止无依据的编辑，并应保留所考虑的证据。产能模型应包括峰值需求和服务水平承诺。如果增长依赖于减少人工审核，公司应说明哪些案例可以安全地转向自动化，哪些仍须接受人工判断或符合监管预期。

26. 维护模型清单

清单应记录目的、所有者、开发者、验证者、版本、方法、数据、目标、总体、重要性、用途、依赖关系、局限性、部署、监控、验证和退役。当规则、供应商评分和叠加项对信用决策产生重大影响时，应将其纳入清单。

重要性应反映财务、客户、监管和运营后果。清单完整性可通过代码库、决策系统、供应商发票和产品图谱进行检验。未记录在案的模型会带来交易风险，因为其结果、归属和整改成本无法可靠评估。

清单应将模型与确定性规则区分开来，同时保留完整的决策链。政策表即使不在正式定义范围内，也可能产生重大的类模型风险。版本历史应显示开发、验证、批准、部署和退役日期。依赖关系应识别数据、软件、硬件和下游报告。董事会应收到一份清单视图，重点关注重大变更、逾期行动和已突破的限额。交易尽职调查应将清单条目与实时生产环境进行抽样比对，以检验完整性和准确性。

27. 构建治理地图

治理地图应连接董事会风险偏好、高级管理层、模型所有权、开发、独立验证、数据所有权、用户、合规、内部审计和变更审批。决策权应在模型生命周期内清晰界定。

角色与独立性应适应机构、重要性及适用要求。

该映射应包含针对模型表现不达标、事件和逾期验证的升级机制。第三方开发不转移相关框架下对决策和后果的问责。

委员会会议纪要应记录证据、质疑、利益冲突、条件和决策。审批应明确具体模型及用途，而不是宽泛的技术项目。开发与验证的独立性应相称且可信，验证人员应能够限制使用。数据所有者应对质量负责，业务用户则应对遵守政策负责。内部审计应在其职责范围内评估框架和控制环境，但不得替代独立的模型验证。交易审查应识别导致治理依赖少数个人的职位空缺或角色冲突。

28. 执行独立验证

验证应对概念合理性、数据、实施、表现、局限性和预期用途提出质疑。应包括与模型重要性相称的结果分析、基准比较、敏感性和压力测试。验证发现应明确严重程度、责任人、截止日期和使用限制。

表3. 独立验证计划

范围和频率应反映模型用途、重要性、方法论、变化以及适用的监管期望。

独立性要求具备权限和能力，并向适当的监督层报告。部署前完成的验证之后应进行生产监控和定期审查。

发现的问题应区分缺陷、限制和建议。限制可能允许在既定边界内使用，而缺陷可能要求纠正或暂停。补偿性控制应具体、受到监控并有时限。验证应使用受控数据和代码重现关键结果，测试基准替代方案，并审查对特征和阈值的敏感性。供应商文档可为审查提供信息，但不应取代在公司客群上的测试。关闭需要证据以及与严重程度相称的独立确认。

29. 监控漂移和表现

监控应覆盖输入分布、缺失情况、评分分布、审批、接受、校准、早期拖欠、违约、回收、人工覆盖、解释、公平性和投诉。阈值应说明突破阈值时触发的行动。

漂移可能源于经济环境、产品、渠道、欺诈、催收、政策或数据变化。应对措施可包括调查、加强审查、调整阈值、叠加调整、重新校准、回滚或暂停。结果滞后意味着领先指标和成熟结果应分开报告。调查和整改积压应让投资者可见。

监控应区分统计变化与经济后果。特征分布可能发生变化而不损害决策，而审批阈值附近的微小变化可能对借款人和损失产生重大影响。因此，阈值应结合定量指标和业务指标。应监控数据源健康状况和决策量，因为数据缺失可能看起来像稳定性改善。报告应显示阈值突破、持续时间、敞口、行动和负责人。重复突破应纳入模型重要性以及资本或估值敏感性的考量。

30. 评估供应商和第三方依赖

供应商模型、数据、云服务、征信机构和决策平台需要合同和技术尽职调查。组织应了解方法论、开发样本群体、表现、限制、变更流程、服务水平、数据权利、安全性、审计访问权、可移植性和终止安排。

公司应在其自身借款人上验证供应商输出，并监控生产结果。当投资组合、地理区域或获客渠道不同时，表现良好的外部评分可能会恶化。退出规划应估算替换、并行运行、验证、监管通知和客户影响。集中度和供应商重新定价应纳入融资和估值敏感性。

合同应涵盖对文档和表现证据的获取，而不仅仅是服务可用性。当功能、模型或征信机构逻辑发生变化时，变更通知很重要。贷款人应测试中断和数据降级情形下的后备方案，包括使用过时评分的风险。关键的四方依赖关系应予以梳理。如果迁移所需时间超过流动性可支撑期限或监管审批时间，则可替代性较弱。投资者应看到降低重大依赖的成本和时间表。

31. 治理隐私、安全与韧性

贷款数据可能包括敏感的身份、财务、设备和行为信息。收集、使用、访问、保留、传输和删除应遵循适用法律、同意和目的。安全设计和隐私设计应通过架构、控制和测试予以证明。

决策系统应具备可用性、恢复、事件和回滚计划。模型或数据中断可能使放款停止或产生不受控的决策。网络事件可能破坏输入、泄露客户数据或操纵输出。韧性测试应覆盖第三方，并应与财务和客户后果相联系。

访问应遵循最小权限原则，并在开发、审批和生产部署之间实行职责分离。模型制品、代码和特征应具备完整性控制。日志应支持对重大决策的重建，同时不得在合法需要之外保留数据。事件响应应涵盖错误批准和拒绝、客户通知、监管报告、补救和财务风险敞口。备份和回滚应针对已知模型版本和决策政策进行测试。韧性支出应纳入规模经济。

32. 梳理监管边界

产品地图应按实体和地区识别贷款、经纪、贷款服务、支付、数据、消费者保护、征信报告、外包和 AI 义务。适用监管机构和牌照应与每项重大活动相关联。具体结论需要法律意见。

CBUAE 的模型管理和 2026 年负责任 AI 材料为受涵盖机构和影响消费者的用途提供重要的 UAE 锚点。EBA 贷款发放指引、美国模型风险指引和不利行动要求提供了其他司法辖区的示例。股权投资论证应避免在未确立适用性的情况下引入某项规则。

义务登记册应记录来源、实体、产品、控制、证据、负责人、测试和违规上报路径。在新数据、模型、融资结构或市场引入之前，应更新该登记册。公司应将法律分析与实际系统运行相核对。如果工作流和日志无法证明，承诺人工审核或解释的政策就是薄弱证据。历史监管发现、投诉和补救应与根本原因和关闭情况相关联。只有在法律和运营准备支持上线时，才应开始预测收入。

33. 测试跨产品与地区的迁移

在一个产品或市场训练的模型可能无法迁移到另一个产品或市场。收入稳定性、征信覆盖、支付行为、法律追偿、宏观经济和客户选择可能不同。部署前应测试表现，上线后应持续监控。

扩张预测应包括本地数据获取、政策设计、验证、监管准备、融资和催收能力。试点应界定风险敞口限额和停止条件。投资者材料应区分经证实的生产经济性与预期迁移收益。

迁移测试应在将模型视为可移植之前，比较输入覆盖、评分分布、校准和结果。当地宏观经济和法律追偿条件可能需要重新校准或采用不同目标。合作可能改变申请人选择和数据质量。受控上线应按时间和风险敞口限制放款，保留基准，并在结果足够成熟后安排正式审查。估值案例应对扩张进行概率加权，并纳入安全学习所需的资本。

34. 构建运营预测

该预测应按群组对申请、批准、接受、放款、平均余额、收益率、拖欠、违约、回收、融资、服务、合规、人员编制、资本和现金进行建模。驱动因素应与历史证据和已批准行动相核对。

基准、下行情景和上行情景应推动相关假设协同变动。下行情景可能包括申请人组合质量下降、批准率降低、校准漂移、损失上升、回收放缓、仓储融资合格标准收紧、合规要求升级以及股权资金延迟到位。最低现金点和契约余量应清晰可见。管理层的应对措施应接受可行性检验。

预测应采用发放年份机制，而不是单一的组合损失百分比。新发放贷款应进入各自的账龄曲线，并一致地确认收入、融资和损失。模型变更应通过明确的假设影响批准率和风险组合。人员编制和技术投入应反映申请、审查、贷后服务和催收业务量。资产负债表、利润表和现金流量表应相互勾稽。假设负责人应每月更新实际值与计划值的对比，并保留原始融资方案以明确责任。

35. 对资本、融资和流动性建模

信贷增长需要在回款到账前获得资金。模型应映射股权、仓储融资额度、远期流量安排、证券化、适用情况下的存款、准备金和留存现金。应反映垫款率、借款基础、集中度、业绩触发条件和追加保证金。

模型误差不仅会影响损失，也会影响流动性。恶化中的贷款队列可能变得不合格、增加准备金或降低投资者兴趣。压力测试应将承销、贷后服务和回收结果与融资能力联系起来。监管资本和流动性要求需要针对该实体进行基于具体事实的分析。

融资多元化应以下行情景下的可用容量来衡量，而不能仅凭已签署的名义承诺。模型应显示每项融资安排的到期日、续期、定价、抵押品、契约、垫款率、合格性和集中度。远期流量买方可能暂停或重新定价新的购买，使新发放贷款回到资产负债表。股权配置应为资金延迟到位和损失发展保留应急缓冲。董事会批准的停止发放触发条件可在业绩或融资额度余量恶化时保护流动性。

36. 构建估值桥

估值桥应将模型优势与可衡量的经营驱动因素联系起来：损失不变情况下的批准率、批准率不变情况下的损失、定价、融资、贷后服务、合规、增长持续时间和现金需求。已部署并验证的效果应与路线图收益分开。

该估值桥属于分析工具；公司特定估值需要证据、市场输入和专业判断。

收入倍数应结合损失、融资、集中度、留存率和治理来解读。折现现金流需要可支持的贷款队列和融资假设。资本结构、优先权、债务和稀释决定股权价值分配。

估值桥应避免重复计算模型收益。校准改善可降低损失并支持融资，但同一效果不应在没有证据的情况下又用于证明不相关的倍数提升。情景分析应展示企业价值、净债务或融资义务、受限现金、新资本和完全稀释后的所有权。反向压力测试可识别耗尽流动性或违反投资者回报要求的损失、融资和增长组合。随后，交易结构可通过分批里程碑、条件、治理或估值区间来应对不确定性。

37. 对股权准备度评分

评分卡应围绕数据、模型、决策、组合、融资、治理和预测组织证据。评分应与底层记录关联，且不应替代投资判断。重大未解决发现应为相关评分设定上限。

表 4. AI 原生贷款机构股权准备度评分卡

权重应反映公司、产品、交易和证据的成熟度。

投资委员会应收到评分变动、证据例外情况和补救成本。弱点应触发额外尽职调查，或改变价格、结构、条件、融资金额或继续推进的决定。

评分指引应界定每个等级所需的证据。近期验证仍存在未解决的高严重性发现时，不应获得与干净生产证据相同的评分。评分卡应保留异议，并识别哪些假设依赖管理层估计。其目的是引导注意力和交易后果。数据弱点可能需要托管补救预算，融资弱点可能降低可负担的增长计划，而未成熟队列可能支持分阶段资本，而不是单一估值结论。

38. 准备交易数据室

数据室应包括公司和牌照记录、产品、融资、会计、申请与授信数据、模型清单、文档、验证、监控、覆盖、政策、队列、损失、回收、投诉、供应商、网络安全、预测、估值和董事会材料。

文件应建立索引、注明日期、实施访问控制，并与运营模型核对一致。敏感的客户和安全数据应最小化，并按照约定的法律协议处理。脱敏应保留所需的分析事实。管理层回复应明确负责人、证据和解决办法，而不是提供缺乏支持的叙述。

39. 执行九十天股权就绪冲刺

前三十天应核对边界、数据、决策和投资组合。第31至60天应验证提升效果、校准、队列、单位经济性、治理、融资和预测。第61至90天应解决重大例外，批准估值桥接，并准备受控的投资者材料。

表5. 九十天贷款股权就绪计划

时机取决于数据可得性、投资组合成熟度、问题严重程度和交易要求。

冲刺阶段应以明确的决策和例外事项登记册结束。在启动前无法解决的问题应予以披露、缓释，并反映在交易条款中。

40. 结论

当受控模型在完整且成熟的队列中改善已实现的风险调整后现金经济效益时，AI 原生借贷价值才会显现。预测提升只是更长链条中的一环，该链条连接时点数据、政策、客户选择、定价、融资、贷后服务、违约、回收和流动性。

董事会和投资者应要求可复现的证据、明确的责任归属、独立验证、受控覆盖、客户结果测试和下行融资分析。从数据到损失的链条、提升与损失矩阵、队列批次、治理图谱和估值桥将模型主张转化为决策框架。它们还显示新增股权可在何处为下一个可独立验证的里程碑提供资金。

参考文献

1. UAE 中央银行，《模型管理标准》， https://rulebook.centralbank.ae/en/rulebook/model-management-standards
2. UAE中央银行，《模型管理指引》， https://www.centralbank.ae/media/22nps2k1/model-management-guidance-attach-to-notice-5052-2022.pdf
3. UAE中央银行，《信用风险管理标准》， https://rulebook.centralbank.ae/en/rulebook/credit-risk-management-standards
4. UAE中央银行，第13条：信用风险模型， https://rulebook.centralbank.ae/en/rulebook/article-13-credit-risk-models-0
5. UAE 中央银行，《消费者保护及负责任采用和使用人工智能与机器学习指导说明》， https://rulebook.centralbank.ae/en/rulebook/guidance-note-consumer-protection-and-responsible-adoption-and-use-artificial-intelligence
6. 迪拜金融服务管理局，AI 2025年调查， https://www.dfsa.ae/news/new-dfsa-ai-survey-generative-ai-adoption-has-nearly-tripled-within-difc-last-12-months-governance-continues-develop
7. 欧洲银行管理局，《贷款发放与监测指引》， https://www.eba.europa.eu/regulation-and-policy/credit-risk/guidelines-loan-origination-and-monitoring
8. 欧洲银行管理局，《关于 IRB 模型机器学习的报告》， https://www.eba.europa.eu/sites/default/files/document_library/Publications/Reports/2021/1025438/Report%20on%20machine%20learning%20for%20IRB%20models.pdf
9. 美国联邦储备系统理事会，《模型风险管理修订指引 SR 26-2》， https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm
10. 美国消费者金融保护局，2022-03 通函：关于不利行动和复杂算法， https://www.consumerfinance.gov/compliance/circulars/circular-2022-03-adverse-action-notification-requirements-in-connection-with-credit-decisions-based-on-complex-algorithms/
11. 国际财务报告准则基金会，IFRS 9《金融工具》 https://www.ifrs.org/issued-standards/list-of-standards/ifrs-9-financial-instruments/
12. 国际财务报告准则基金会，IFRS 7《金融工具披露》， https://www.ifrs.org/issued-standards/list-of-standards/ifrs-7-financial-instruments-disclosures/
13. 巴塞尔银行监管委员会，《信用风险管理原则》， https://www.bis.org/publ/bcbs75.htm
14. 巴塞尔银行监管委员会，《稳健实践：金融科技发展对银行和银行监管机构的影响》， https://www.bis.org/bcbs/publ/d431.htm
15. 国际清算银行，《智能金融体系：AI如何改变金融》， https://www.bis.org/publ/work1194.htm
16. 国际清算银行创新中心，Noor项目， https://www.bis.org/project/noor
17. 世界银行，《信用信息共享行业中的颠覆性技术》， https://documents1.worldbank.org/curated/en/587611557814694439/pdf/Disruptive-Technologies-in-the-Credit-Information-Sharing-Industry-Developments-and-Implications.pdf
18. 世界银行，《信用报告通用原则》， https://www.worldbank.org/en/topic/financialinclusion/publication/general-principles-for-credit-reporting
19. 美国国家标准与技术研究院，AI 风险管理框架， https://www.nist.gov/itl/ai-risk-management-framework
20. 国际标准化组织，ISO/IEC 42001 人工智能管理体系， https://www.iso.org/standard/81230.html
21. 经济合作与发展组织，OECD AI 原则， https://oecd.ai/en/ai-principles
22. 欧盟，人工智能法案， https://eur-lex.europa.eu/eli/reg/2024/1689/oj
23. 英国信息专员办公室，《关于AI与数据保护的指南》， https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/artificial-intelligence/
24. 英国金融行为监管局，《AI与金融服务》， https://www.fca.org.uk/firms/innovation/artificial-intelligence
25. 国际估值标准理事会，《国际估值标准》， https://www.ivsc.org/standards/
26. 金融稳定理事会，《人工智能对金融稳定的影响》， https://www.fsb.org/2024/11/the-financial-stability-implications-of-artificial-intelligence/