4. 逻辑回归评分卡建模全流程

逻辑回归评分卡是信贷风控面试中出现频率最高的项目主线。面试官问这道题，不是想听你背“先分箱再WOE再建模”，而是想确认三件事：你是否理解每一步背后的统计动机，你是否踩过真实数据的坑，以及你能否把模型结果翻译成业务能用的分数与策略。本章按“原理—流程—案例—复盘”四段展开，并给出一张回答框架图，帮你在面试中把全流程讲成一条有逻辑的链路。

变量筛选 IV/共线性/缺失 WOE分箱 单调性/稳定性 系数符号 业务一致性 评分刻度 PDO/BaseScore 模型校准 分数映射PD 评分卡建模五步回答主线 每一步都要回答：为什么做、怎么做、怎么验证、业务怎么用

一、核心原理：评分卡为什么用WOE和逻辑回归

评分卡的本质是把“违约概率”映射成一个整数分数，让审批、额度、定价都能用统一语言沟通。逻辑回归之所以长期占据风控主流，是因为它的线性形式配合WOE转换后，可解释性强、稳定性好、易于监控。WOE（Weight of Evidence）把每个分箱的“好坏比”取对数，公式为：WOE = ln(坏样本占比 / 好样本占比)。它带来三个好处：一是把非线性关系线性化，二是让缺失值、异常值有统一处理入口，三是每个箱的WOE值直接反映风险方向。

IV（Information Value）是WOE的加权和，用来衡量变量整体区分能力。经验阈值：IV<0.02几乎无区分度，0.02~0.1弱，0.1~0.3中等，0.3~0.5强，>0.5要警惕过拟合或信息泄露。面试中如果只背阈值而不解释“为什么IV过高反而危险”，会被追问到失分。

面试加分点：主动说明WOE的单调性检查。如果某个变量分箱后WOE不单调，优先合并相邻箱或重新切分，而不是直接丢进模型让系数去“硬拟合”。

二、方法流程：从原始变量到可用评分卡

完整流程可以拆成六步，每一步都有明确的输入输出和验证动作。

  1. 变量筛选：先做缺失率、单值率、时间穿越检查，再用IV初筛，最后用VIF或相关系数矩阵处理共线性。注意：IV高但业务不可解释的变量要谨慎，比如“手机号后四位”这类伪相关。
  2. 分箱与WOE：连续变量用卡方分箱或决策树分箱，离散变量按坏样本率合并。分箱后检查每箱样本占比不低于5%，WOE单调，且跨时间稳定。
  3. 逻辑回归建模：输入WOE值，输出系数。此时系数符号应全部为负（WOE越大风险越高，系数越负），如果出现正系数，说明该变量与目标关系异常或存在共线性。
  4. 系数符号校验：逐个变量对照业务常识。例如“近6个月逾期次数”WOE越高，系数应为负；若为正，需排查分箱方向是否写反、样本是否穿越。
  5. 评分刻度转换：用PDO（Points to Double the Odds）、BaseScore、BaseOdds三个参数把回归结果转成分数。公式为：Score = BaseScore + PDO/ln(2) * (ln(Odds) - ln(BaseOdds))，其中Odds = (1-PD)/PD。
  6. 模型校准：把分数映射回真实PD，常用Platt Scaling或等距回归。校准后检查分数段与实际坏样本率是否接近，避免“分数高但实际坏账也高”的错位。
# 评分刻度转换示例（Python伪代码）
import numpy as np

def score_from_pd(pd, base_score=600, base_odds=50, pdo=50):
    odds = (1 - pd) / pd
    factor = pdo / np.log(2)
    offset = base_score - factor * np.log(base_odds)
    return offset + factor * np.log(odds)

# 若PD=0.05，base_odds=50，pdo=50，base_score=600
# 输出分数约为 600 + 50/ln2 * ln(19/50) ≈ 535

三、案例场景：一次系数符号异常的排查

某消费贷项目，模型AUC 0.78，KS 0.42，看起来不错。但系数表里“近3个月查询次数”系数为正，意味着查询越多分数越高、风险越低，明显违背业务常识。排查路径如下：

  • 先看分箱WOE方向：发现该变量分箱时把“查询次数多”和“查询次数少”的WOE算反了，原因是坏样本定义写成了“好样本”。
  • 再看样本时间窗：训练集用了放款后6个月的表现期，但查询次数是申请前3个月，存在时间穿越，导致高查询人群被误标为低风险。
  • 最后看共线性：该变量与“近1个月查询次数”相关系数0.85，VIF超过10，两个变量互相抵消，系数符号被扭曲。

修正动作：重新定义坏样本、把查询类变量合并为“查询强度”综合指标、重新分箱并检查WOE单调性。修正后系数恢复为负，KS略降到0.39，但模型可解释性和跨时间稳定性明显提升。这个案例在面试中非常值钱，因为它同时展示了统计能力、业务理解和排查方法论。

环节 核心动作 常见验证指标 面试追问点
变量筛选 缺失、IV、VIF、业务可解释 IV>0.1，VIF<5 IV过高为什么危险
WOE分箱 卡方分箱、单调性、稳定性 WOE单调，箱占比>5% 不单调怎么处理
系数符号 业务对照、共线性排查 符号全负，方向一致 正系数怎么解释
评分刻度 PDO、BaseScore、BaseOdds 分数分布合理，区分度稳定 PDO怎么选
模型校准 分数映射PD，分段校验 校准曲线接近对角线 校准和区分度的区别

四、误区复盘与面试表达建议

高频误区一：把WOE当成“万能编码”，不做单调性检查直接入模。结果模型在训练集表现好，跨时间KS掉一半。正确做法是分箱后先看WOE趋势，再决定是否合并或调整切分点。
高频误区二：只讲AUC和KS，不讲校准。面试官问“你的分数600分对应多少违约率”，如果答不上来，说明你只做了排序模型，没做评分卡。校准是评分卡区别于普通分类模型的关键一步。

面试表达建议用“四句话结构”：第一句说业务目标（要一个可解释、可监控的评分卡）；第二句说流程（筛选、分箱、建模、刻度、校准）；第三句说一个具体坑（系数符号异常或WOE不单调）；第四句说业务价值（分数如何用于审批和定价）。这样既展示技术深度，又展示业务落地能力。

最后提醒：逻辑回归评分卡的面试题往往不是单独出现的，它会和“模型监控”“策略调优”“跨时间验证”连在一起问。准备时把本章的五步流程背熟，并准备一个真实踩坑案例，就能应对大多数追问。

← 上一章 📖 返回目录 下一章 →