4. 评分卡与概率输出

在信用风险管理中，评分卡输出的分数本身只是一个相对排序工具，而业务决策往往需要的是绝对风险水平——即违约概率（PD）。因此，理解评分卡刻度设计、分数与违约概率之间的映射关系，以及如何将评分卡分数转换为概率，是模型落地应用的关键环节。本节将系统讲解评分卡刻度的设定逻辑、分数与PD的数学映射方法，并通过案例演示转换流程。

一、评分卡刻度的核心原理

评分卡刻度（Scorecard Scaling）是将逻辑回归模型的线性预测值（log-odds）转换为一个具有业务含义的分数的过程。其核心思想是：分数与违约几率（odds）之间保持对数线性关系，使得分数每增加一定值，违约几率按固定比例下降。

标准评分卡刻度公式如下：

Score = A - B × ln(odds)
其中：
  odds = P(好客户) / P(坏客户) = (1 - PD) / PD
  A = 基准分数（Base Score）
  B = 刻度因子（Base Odds 对应的分数变化）
  PDO = Points to Double the Odds（几率翻倍所需分数）

参数A和B由以下两个条件确定：

• 在基准几率（Base Odds）处，设定基准分数（Base Score）；
• 几率每翻一倍（或减半），分数变化PDO个点。

由此可得：

B = PDO / ln(2)
A = Base Score + B × ln(Base Odds)

B = 50 / ln(2) ≈ 72.13
A = 600 + 72.13 × ln(50) ≈ 600 + 72.13 × 3.912 ≈ 882.2
Score = 882.2 - 72.13 × ln(odds)

二、分数与违约概率的映射关系

评分卡分数与违约概率之间存在单调递减的映射关系：分数越高，违约概率越低。这种映射关系可以通过以下步骤建立：

1. 从分数反推odds：由 Score = A - B × ln(odds)，可得 ln(odds) = (A - Score) / B，进而 odds = exp((A - Score) / B)。
2. 从odds计算PD：由于 odds = (1 - PD) / PD，解得 PD = 1 / (1 + odds)。
3. 验证单调性：分数越高，ln(odds)越小，odds越小，PD越小，符合业务直觉。

下表展示了典型评分卡分数与违约概率的对应关系（以A=882.2，B=72.13为例）：

三、评分卡到概率的转换方法

在实际工程中，将评分卡分数转换为概率通常有两种路径：

方法一：基于刻度公式的直接转换。适用于已知A、B参数且评分卡基于逻辑回归log-odds构建的场景。转换步骤如下：

def score_to_pd(score, A, B):
    ln_odds = (A - score) / B
    odds = math.exp(ln_odds)
    pd = 1 / (1 + odds)
    return pd

# 示例
A, B = 882.2, 72.13
score = 650
pd = score_to_pd(score, A, B)
print(f"分数{score}对应的违约概率为：{pd:.4f}")  # 输出约0.038

方法二：基于历史样本的校准映射。当评分卡并非严格基于log-odds构建，或需要将分数映射到实际观测的违约率时，可采用分箱校准方法：

1. 将评分卡分数划分为若干区间（如每50分一档）；
2. 统计每个区间内样本的实际违约率；
3. 使用保序回归（Isotonic Regression）或Sigmoid校准拟合分数到PD的映射曲线；
4. 对新样本分数应用该映射函数得到校准后的PD。

四、案例与常见误区复盘

案例场景：某消费金融公司开发了一款A卡评分卡，设定Base Score=600，Base Odds=30:1，PDO=40。模型上线后，业务方希望将分数转换为PD用于定价。技术团队按公式计算得B=57.71，A=600+57.71×ln(30)≈796.3。对某客户评分720分，计算得PD≈4.2%。但业务方反馈该客户实际违约率约为6%，存在偏差。

复盘分析：

• 偏差来源一：评分卡开发样本与当前客群存在时间偏移，导致log-odds与实际违约率不对应；
• 偏差来源二：Base Odds设定为30:1是基于开发样本，但当前业务实际坏样本占比更高；
• 解决方案：采用方法二进行重新校准，用最近6个月样本拟合分数-PD映射曲线，修正后该客户PD调整为5.8%，接近实际水平。

常见误区：

• 误区一：认为评分卡分数与PD是固定映射，忽略客群漂移和时间衰减；
• 误区二：混淆odds定义方向，导致PD计算颠倒；
• 误区三：直接用训练集PD作为业务PD，未考虑样本权重和业务实际坏账定义差异；
• 误区四：忽略评分卡刻度参数A、B的重新标定，导致分数分布与业务预期不符。