1. 课程导入

信用评分卡是消费金融、信用卡、小微信贷与助贷风控中最常见的风险决策工具。它把借款人的历史行为、资产负债、申请信息等特征，通过统计模型映射为一个分数，再用分数区间对应审批、额度、定价等策略。理解评分卡，关键不是记住某个公式，而是理解它如何把"风险概率"翻译成"业务动作"。

一、信用评分卡的基本概念

评分卡通常由三部分组成：特征体系、评分模型与分数映射规则。特征体系决定"看什么"，模型决定"怎么算"，分数映射决定"怎么用"。在二分类场景中，模型输出的是违约概率，评分卡则通过尺度变换把概率转换为整数分数，并保证分数越高、风险越低。

常见的分数刻度变换公式如下：

score = A - B * ln(odds)
其中：
odds = P(坏客户) / P(好客户)
A 为偏移量，B 为刻度因子
通常设定：基准分 600 对应 odds=50，每增加 20 分 odds 翻倍

这套变换让评分具备可解释性与可比性：不同模型、不同时间的分数可以放在同一尺度上比较，也便于设定通过率与坏账率的联动策略。

二、发展历史：从专家规则到自动建模

信用评分卡的发展大致经历四个阶段：

1. 专家经验阶段：由风控专家制定规则，如"近半年逾期超过2次拒绝"。优点是透明，缺点是难以覆盖复杂交互，且规则维护成本高。
2. 统计模型阶段：以逻辑回归为主，配合WOE编码，形成标准化评分卡。逻辑回归可解释、稳定，至今仍是监管友好型模型的首选。
3. 机器学习阶段：随机森林、XGBoost、LightGBM等提升区分度，但黑箱问题带来解释与合规压力。
4. 自动化与平台化阶段：从特征筛选、分箱、WOE、建模到验证形成流水线，scorecardpy正是这一阶段的代表性工具。

三、应用场景与业务价值

评分卡贯穿信贷全生命周期，不同阶段关注不同目标：

以A卡为例，业务上常把分数切分为若干风险等级，每个等级对应不同的审批策略。例如分数高于700直接通过，650至700进入人工复核，低于650拒绝。评分卡的价值在于把风控经验固化为可复现、可监控、可迭代的决策资产。

四、scorecardpy的定位与整体学习路径

scorecardpy是一个面向信用评分卡的Python工具包，覆盖从数据准备到模型验证的主要环节。它的设计目标是让分析师用较少代码完成标准评分卡流程，同时保留足够的参数控制空间。

核心功能模块包括：

• 数据切分：split_df 按时间或随机方式划分训练集与测试集。
• 变量筛选：var_filter 基于缺失率、IV、相关性等过滤变量。
• 分箱：woebin 自动分箱并计算WOE与IV。
• WOE转换：woebin_ply 将原始特征转换为WOE值。
• 模型训练：lr_model 训练逻辑回归。
• 评分映射：scorecard 生成标准评分卡。
• 验证：perf_eva 与 perf_psi 评估区分度与稳定性。

一个最小可运行流程如下：

import scorecardpy as sc

# 1. 数据切分
train, test = sc.split_df(data, 'flag', ratio=0.7).values()

# 2. 变量筛选
train = sc.var_filter(train, 'flag')

# 3. 分箱与WOE
bins = sc.woebin(train, 'flag')
train_woe = sc.woebin_ply(train, bins)
test_woe = sc.woebin_ply(test, bins)

# 4. 逻辑回归建模
lr = sc.lr_model(train_woe, 'flag')

# 5. 生成评分卡
card = sc.scorecard(bins, lr, train_woe.columns[1:])

# 6. 分数计算与验证
train_score = sc.scorecard_ply(train, card)
test_score = sc.scorecard_ply(test, card)
sc.perf_eva(test['flag'], test_score['score'])

五、常见误区与复盘

初学者在评分卡建模中容易陷入以下误区：

• 只看AUC，不看KS与PSI：AUC高不代表业务可用，KS反映区分能力，PSI反映稳定性，三者需结合。
• 分箱过细：每个箱样本过少会导致WOE波动大，模型过拟合。
• 忽略时间外验证：随机切分可能高估效果，时间外样本更接近真实上线表现。
• 把WOE当特征工程终点：WOE转换后仍需检查多重共线性与变量业务含义。
• 上线后不监控：评分卡会随客群与宏观环境漂移，需定期做PSI与重新校准。