2023年，一家年营收增长34%的基建企业被银行拒贷。财务报表漂亮，现金流健康，但信用评分模型只认"历史负债率"——它三年前举债扩张的账，现在成了原罪。
这种"信用悖论"在资本密集型行业像慢性病。企业规模越大、增长越快，传统征信系统的误判率反而越高。Henry Dibie在摩根士丹利风控部门干了七年，见过太多这类案子。他离职后做的第一件事，就是造了一套反常识的诊断系统。
第一层：把烂账洗成"审计级"数据
传统风控吃进去的是企业提交的原始财报，吐出来的是标准化评分。Dibie的框架在中间加了一道"审计就绪比率"转换层——不是简单计算流动比率、速动比率，而是把每个数字还原到可验证的业务场景。
比如一家工程公司的"应收账款"科目，系统会追问：账期结构？业主信用等级？项目里程碑节点？同一笔数字，在不同业务语境下风险权重完全不同。
第二层：运营轨迹和信用画像对齐
这套系统的核心创新是个反馈循环。它不预测"你会不会违约"，而是持续监测"你的运营动作和信用承诺是否脱节"。
Dibie举过例子：某承包商中标了一个EPC总包项目，系统发现其历史履约周期比行业均值长22%，但当前授信额度是按"正常周期"批的。反馈 loop 触发预警，银行提前调整了放款节奏——三个月后业主确实延迟了节点验收。
第三、四层：从诊断到干预
第三层把前两层的输出转化为可执行的信用修复路径，第四层则是机构端的决策支持。整个架构开源在GitHub上，代码量不大，但注释里塞满了投行风控的实战细节。
有个细节挺有意思：Dibie在文档里特意标注了"模型盲区"——哪些行业特性会被系统误读，哪些财务操作会触发假阳性。这种"自曝其短"在商用风控产品里几乎看不见。
目前这套框架被三家区域性银行试点用于基建和新能源项目评审。一位参与测试的信贷主管反馈，系统对"高成长+高负债"企业的识别准确率比传统模型高出"一个数量级"——他原话是"终于不用靠拍脑袋补窟窿了"。
Dibie在最近的更新日志里留了个问题：当AI能实时诊断企业信用健康度，银行的风控部门该裁员还是扩编？
热门跟贴