2. 信用评分基础

在进入LightGBM建模与概率校准之前，必须先建立统一的业务语言。信用评分不是单纯的机器学习任务，它是一套把“借款人未来会不会违约”转化为可比较、可决策、可监管的数字体系。本章围绕信用风险定义、违约概率PD、评分卡类型、A/B/C卡分工、监管要求与业务指标六个方面展开，为后续特征工程、模型训练和校准提供概念锚点。

一、信用风险与违约的定义

信用风险是指交易对手未能按约定履行还款义务，导致债权人发生经济损失的可能性。在零售信贷中，它通常表现为逾期、欠款不还、失联或重组后仍无法履约。建模时不能只凭“感觉”定义坏客户，必须给出可执行、可审计的违约口径。

巴塞尔协议与国内监管实践普遍采用“逾期90天以上”作为违约的核心参考。实际项目中，常见定义还包括：

  • 滚动率口径：观察期内逾期天数达到M1、M2或M3以上，例如“未来12个月内出现连续90天逾期”。
  • 状态口径：核销、呆账、五级分类中的次级、可疑、损失。
  • 行为口径：最低还款额未还、连续多期未还款、失联超过约定天数。
违约定义一旦确定，整个建模周期内应保持一致。若训练集用“逾期60天”，验证集却用“逾期90天”，模型评估和概率校准都会失真。

二、违约概率PD：评分卡的数学内核

违约概率（Probability of Default，PD）是借款人在未来特定时间内发生违约的概率，取值在0到1之间。信用评分模型的核心任务，就是估计每个客户的PD，再把PD映射为分数、额度、利率或审批决策。

PD与评分通常呈反向关系：PD越高，信用分越低。评分卡常采用“刻度化”方式表达，例如设定基准分、基准 odds 和 PDO（Points to Double the Odds）：

score = base_score + (PDO / ln(2)) * ln(odds)
其中：
odds = 坏客户概率 / 好客户概率
base_score：基准分数，如600
PDO：odds翻倍所需分数，如20分

需要区分两个概念：排序能力与概率准确性。AUC、KS高说明模型能把好坏客户排开；但若PD估计偏高或偏低，定价和拨备就会出错。这正是后续概率校准要解决的问题。

三、评分卡类型与A卡、B卡、C卡

按客户生命周期，评分卡通常分为申请卡（A卡）、行为卡（B卡）和催收卡（C卡）。三者数据来源、预测目标和应用场景差异明显。

类型 全称 主要数据 预测目标 典型应用
A卡 申请评分卡 申请信息、征信、三方数据 审批时点未来违约概率 准入、初始额度、定价
B卡 行为评分卡 还款、消费、额度使用、逾期记录 存续期内未来违约概率 调额、贷中管理、交叉销售
C卡 催收评分卡 历史催收响应、欠款账龄、联系记录 催回概率或损失程度 催收策略、减免决策、外包排序

A卡关注“要不要放”，B卡关注“放多少、怎么管”，C卡关注“怎么收”。同一客户在不同阶段会同时被多张卡评分，模型口径必须与决策时点严格对齐。

四、监管要求与业务指标

信用评分处于强监管环境。模型不是越复杂越好，而是要可解释、可验证、可追溯。常见监管要求包括：

  1. 模型治理：开发、验证、审批、上线、监控、退出全流程留痕。
  2. 可解释性：能说明主要拒绝原因，避免歧视性变量和代理变量。
  3. 公平性：不得因性别、民族、地域等受保护特征产生不合理差别对待。
  4. 稳定性：定期监控PSI、KS、AUC和分数分布漂移。
  5. 资本计量：PD、LGD、EAD需满足监管口径，用于风险加权资产和拨备。

业务侧则更关注通过率、坏账率、额度使用率、首逾率、回收率等指标。建模人员必须把模型指标翻译成业务语言：

  • KS：区分好坏客户的最大能力，常作为审批卡核心指标。
  • AUC：整体排序能力，对样本不平衡相对稳健。
  • PSI：分数分布稳定性，PSI超过0.25通常需要预警。
  • 通过率与坏账率：审批阈值变动会同时影响两者，需做权衡分析。
业务评审时，不要只报AUC。应同时给出“在目标通过率下的坏账率”“拒绝人群中坏客户占比”“分数分布迁移”等决策相关指标。

五、案例：A卡阈值调整的复盘

某消费金融公司A卡上线后AUC为0.78，KS为0.36，看起来不错。但业务反馈“通过率下降、坏账没降”。复盘发现：

  • 训练样本使用“逾期60天”定义坏客户，而业务考核使用“逾期90天”，坏账口径不一致。
  • 审批阈值按分数绝对值设定，但新客群分数整体偏低，导致误拒增加。
  • PD未校准，高分客户实际违约率被低估，定价偏低。

调整后，统一违约口径为90天，按PD分箱重新设定阈值，并加入概率校准。结果在通过率不变的情况下，坏账率下降约12%。这说明：信用评分的基础定义和校准，往往比换更复杂的模型更有效。

六、常见误区与检查清单

误区1：把AUC高等同于模型可用。AUC只反映排序，不反映PD是否准确。
误区2：混用A卡、B卡样本。申请时点和行为时点的信息不可比。
误区3：忽略样本定义时间窗。不同观察期和表现期会改变坏样本比例。
误区4：只看模型指标，不看业务约束。通过率、额度、定价是联合决策。

建模前的检查清单：

  1. 违约定义是否明确、统一、可复现？
  2. 观察期与表现期是否与决策时点一致？
  3. 评分卡类型是否匹配当前业务阶段？
  4. PD是否需要校准？校准目标是什么？
  5. 监管可解释性与公平性是否满足？
  6. 上线后监控指标是否包含PSI、KS、AUC和业务指标？

掌握这些基础后，后续的LightGBM建模才有明确的优化目标：不仅要提升排序能力，还要让输出的PD在业务和监管口径下可信、可用、可解释。

← 上一章 📖 返回目录 下一章 →