📚 课程目录第3章评分卡核心概念

3. 评分卡核心概念

在动手写一行代码之前，必须先建立一套统一的“语言体系”。评分卡项目失败，十有八九不是算法不够先进，而是概念没有对齐：业务说的“坏客户”和模型里的“bad”不是一回事，数据团队取的观察期和风控策略假设的表现期错位，最后分数映射出来的刻度无法被审批人员理解。本节把这五个核心概念一次讲透，它们是后续所有特征工程、建模与部署工作的地基。

一、信用风险：评分卡要量化的到底是什么

信用风险（Credit Risk）指交易对手未能按约定履行偿付义务，从而给授信机构带来损失的可能性。在消费金融场景中，它具体表现为三类损失：本金损失（借款人彻底不还）、资金时间价值损失（逾期占用资金）、催收与运营成本（为追回欠款付出的额外代价）。

评分卡并不直接预测“损失金额”，它预测的是一个概率：在给定观察信息下，申请人未来发生违约的概率。这个概率随后通过刻度映射转成分数，供审批策略使用。理解这一点非常关键——评分卡是概率模型，不是利润模型；利润是概率乘以金额、利率、期限后的业务决策结果。

核心公式：期望损失 EL = PD × LGD × EAD。评分卡主要解决 PD（违约概率），LGD（违约损失率）与 EAD（违约风险暴露）通常由额度策略和催收策略承担。

二、违约定义：把“坏”写成可执行的规则

“违约”不能停留在“没还钱”这种口语描述，必须落成可计算、可复现的规则。行业中最常用的是账龄口径（Delinquency Bucket），例如 M1、M2、M3，分别表示逾期 1 期、2 期、3 期。定义违约时至少要明确四个要素：

逾期天数或期数阈值：如“逾期 60 天以上”或“逾期 3 期及以上”。
观察窗口：在表现期内任意时点触及阈值即算违约，还是必须连续保持。
账户状态：是否包含核销、呆账、司法追偿等特殊状态。
金额门槛：是否设置最小逾期金额，避免几元欠款被误判为坏样本。

一个可直接落地的违约标签定义如下：

bad_flag = 1  if  max_overdue_days_in_performance >= 60
             or  account_status in ('核销', '呆账', '司法追偿')
        = 0  otherwise

# 排除规则（不参与建模）
exclude = 1 if 逾期金额 < 10 元
            or 账户在观察期内被主动关闭且无逾期
            or 存在欺诈标签（欺诈单独建模）

误区：把“逾期 1 天”定义为坏样本。这会让坏样本率虚高、模型学到大量噪声，且与业务真正关心的损失无关。违约定义必须与损失程度和催收动作挂钩。

三、好坏样本：标签体系与样本选择

有了违约定义，样本被划分为三类：坏样本（bad）、好样本（good）、灰样本（indeterminate）。灰样本通常指表现期内未触及违约阈值、但也未表现出稳定履约行为的账户，例如刚放款不久、表现期不足的账户。它们既不能标为好，也不能标为坏，标准做法是排除出建模集，而不是强行归类。

样本选择还需注意两个偏差：

成熟度偏差：表现期未走完的账户，其“好”只是暂时的。若直接纳入，会低估真实违约率。
通过偏差：模型只见过被审批通过的客户，拒绝样本的表现在数据中缺失。这需要用拒绝推断或样本加权来缓解。

样本类型	判定条件	建模处理
坏样本 bad	表现期内触及违约阈值	标签 1，纳入建模
好样本 good	表现期完整且从未逾期超阈值	标签 0，纳入建模
灰样本 indeterminate	表现期不足或状态不明确	排除，不参与训练
欺诈样本 fraud	存在欺诈认定	单独建模，不混入信用模型

四、观察期与表现期：时间窗口的切分

这是最容易被忽视、却最影响模型有效性的概念。评分卡依赖“用过去预测未来”，因此必须把时间轴切成两段：

观察期（Observation Window）：采集特征的时间段。例如 2023-01 至 2023-06，用这半年的申请信息、征信查询、还款行为构造特征。
表现期（Performance Window）：观察期结束后，跟踪客户是否违约的时间段。例如 2023-07 至 2024-06，共 12 个月。

观察期与表现期的长度选择是一场权衡：表现期太短，坏样本还没暴露，标签被低估；表现期太长，数据陈旧，无法反映当前客群。消费金融常见配置是观察期 6～12 个月、表现期 12～18 个月，具体取决于产品期限和账龄滚动速度。

实操建议：在数据表中显式记录 observation_start、observation_end、performance_start、performance_end 四个字段，所有特征与标签的生成逻辑都围绕这四个时间点编写，从工程上杜绝时间穿越。

五、评分刻度与分数映射：让概率变成可沟通的分数

模型输出的是违约概率 PD，但审批人员更习惯“分数”。分数映射的本质是一次线性变换，把概率转成具有业务含义的刻度。行业通用做法是设定基准分与方向：

score = offset + factor * ln(odds)
其中 odds = P(good) / P(bad)
factor = PDO / ln(2)
offset = base_score - factor * ln(base_odds)

# 示例参数
base_score = 600   # 基准分
base_odds  = 50    # 基准好坏比 50:1
PDO        = 20    # 每增加 20 分，好坏比翻倍

这套参数的含义是：分数越高，违约风险越低；分数每提高 20 分，好坏比翻一倍。它带来的好处是分数具有可解释的线性风险含义，便于设定审批阈值、额度分层和定价策略。

分数区间	风险等级	建议策略
≥ 700	低风险	自动通过，可提额
640 ～ 699	中低风险	自动通过，标准额度
580 ～ 639	中高风险	人工复核或降额
< 580	高风险	拒绝或要求增信

复盘要点：分数映射参数一旦确定，不应频繁调整，否则历史阈值和策略全部失效。若模型更新导致分数分布漂移，应通过分数校准（calibration）对齐，而不是直接改 PDO 和基准分。

把以上五个概念串起来看：信用风险定义了建模目标，违约定义把目标变成标签，好坏样本划分确定了训练数据，观察期与表现期规定了时间边界，评分刻度则把模型概率翻译成业务语言。这五步任何一步含糊，后续的特征工程和模型评估都会失去意义。建议在项目启动文档中把这五项写成明确的“建模公约”，由业务、风控、数据三方签字确认后再进入开发。