本文解析个人住房贷款负债率要求这一审批规则，并梳理了银行通过负债率阈值筛选客群的逻辑，楠哥在襄城汉江北路跑业务时见过太多客户，征信上负债看起来不高，但银行就是不批，问题出在负债率的计算口径和底层数据源不一致上。
银行核定的个人住房贷款负债率，不是客户自己算的月供除以月收入那么简单，而是通过征信报告上的已用额度和信用卡近六个月平均使用额，加上本次贷款的月供额，共同计算出总负债月还款额，再除以认定的月收入，同时通过构建收入认定模型对客户工资流水和公积金缴存基数进行交叉校验，实现对不同收入形态客群的差异化核算，并能根据房产抵押的LTV（Loan to Value Ratio，贷款价值比）上限和房龄折扣动态地调整最终的可贷额度——楠哥去年在枣阳帮客户办房抵，银行对房龄超过20年的老房子直接下浮10%-15%的LTV上限，以经办时的银行的实际的口径为准。这背后的逻辑是对每一笔负债的期限和还款方式做穿透式量化，迫使银行将其纳入月供核算的刚性分母。
另一方面通过将征信查询次数作为负债率评估的辅助验证机制，楠哥在襄城老城区遇到一个客户，名下按揭房月供只占工资的35%，信用卡使用率也不到50%，听起来负债率很低，但近三个月征信查询次数跳到了8次，银行风控系统直接将他的负债率认定为“资金链临界值”，理由是频繁查询伴随的是多头借贷风险敞口扩大——凭对查询次数的累计把本应通过的负债率阈值抬高到60%以下，迫使客户只能找楠哥重新核算当月流水才勉强批下来。这提高了银行风控对次级客群的拒贷率，并对原本通过负债率核定的客户起到了二次收紧的作用，同时根据查询次数的多少实现了对优质客群的逐级加分，查询在三次以内的客户负债率容忍度能从50%提到55%。
系统针对高负债率客户优化了流水核算的算术处理流程，使用近十二个月工资卡入账的加权平均数替换月均余额，对自由职业者启用季度累计入账除以36个月的平滑算法，同时凭对流水进账时点和摘要的“穿透”标记将非经营性入账平分到每月，实现对兼职收入人群的负债率覆盖校验——楠哥在东津新区一个开超市的客户，月均进账七八万但多半是微信支付宝转入，银行认了固定两万的计税收入，最后凭流水加权估算了个年化15万的总入账，负债率从82%压到了64%才过了审批，这降低了高负债客群因收入认定不准导致的拒贷风险，并对其贷后稳定性起到了跟踪性支撑的作用，使客户能在收入波动期仍保持月供覆盖倍数的强制平衡。
方案针对征信花和负债率临界客群进行了适配，靠查询次数和时间维度的叠加实现历史留痕的逐层剥离，凭借对房龄折扣和LTV上限的联动校准实现额度的微观调节，系统将负债率核定的核心锚点从单一月供比转向流水压实度和查询密度的联合加权，通过把近三个月查询次数控制在两次内和信用卡使用率压到30%以下的方式对客户进行硬性筛选，同时根据房龄在20年内的房产抵押率上限做到70%的固定值，使入库额度与银行风控阈值之间的差距压缩到可控区间，达到在襄阳本地银行线下进件场景下负债率核批通过率从55%提到78%的程度。
原创文章，作者：楠行，如若转载，请注明出处：https://www.xiangyc.com/p/658
