1. 信用评分卡与PD模型概论

信用评分卡，听起来挺学术的是吧？说白了，它就是金融机构用来判断"这人借钱会不会按时还"的一套量化工具。我在风控领域泡了十多年，见过太多凭感觉放贷吃大亏的案例。有个老板拍着胸脯说"老客户肯定没问题"，结果坏账率飙到15%。嗯，从那以后我就明白了——没有评分卡的风控，就像闭着眼开车。

而PD模型，就是评分卡体系里最核心的那根骨头。PD是Probability of Default的缩写，违约概率。你想想看，所有信贷决策最终都要回答同一个问题：这笔钱借出去，有多大概率收不回来？PD模型就是专门干这个的。

1.1 信用评分卡的发展历史

信用评分卡不是一夜之间冒出来的。它的演进过程，其实就是金融行业从"拍脑袋"到"用数据说话"的历程。

第一阶段：人工审批时代（1980年代前）

那时候信贷员说了算。看报表、查流水、打电话问邻居，全靠个人经验。我认识一位老信审员，他说当年判断一个人靠不靠谱，就看三样：单位好不好、房子有没有、说话实不实在。这种方法有一个致命问题——同一个客户，换个审批员结果可能完全相反。

第二阶段：统计评分卡诞生（1980s-2000s）

1958年，Fair Isaac公司（就是后来的FICO）推出了第一个商业评分卡。但真正大规模应用是80年代以后的事。逻辑回归成为主力模型，原因很简单：可解释性强，监管喜欢。我记得2012年做第一个评分卡项目时，用的就是逻辑回归，输出一个分数，300-850分，分数越高风险越低。那时候大家觉得这玩意儿太牛了，终于不用凭感觉了。

第三阶段：机器学习介入（2000s-2010s）

数据量大了，变量多了，逻辑回归开始吃力。树模型、GBDT、XGBoost轮番上场。我在2017年帮一家消金公司做过对比测试：同样的数据，XGBoost的KS比逻辑回归高出8个点。但问题也来了——模型像个黑盒子，监管问"为什么拒绝这个客户"，你答不上来。

第四阶段：PD模型时代（2010s至今）

巴塞尔协议III和国内商业银行资本管理办法的落地，把PD模型推上了C位。监管要求银行必须用内部模型法计算资本充足率，而PD是输入参数中的头一个。这时候评分卡和PD模型正式合流——评分卡是壳，PD是魂。

1.2 PD模型定义

PD模型，全称Probability of Default Model，违约概率预测模型。它的任务只有一个：给定某个客户在某个时间窗口内（通常是未来12个月），违约的概率是多少。输出是一个0到1之间的数值。

举个例子：模型算出某客户的PD=0.03，意思就是他有3%的概率在未来一年内发生违约。至于"违约"怎么定义？逾期90天？还是核销？这就是建模时需要明确的第一个坑。

PD模型的核心三要素：

PD模型和评分卡到底是什么关系？很多人搞混。我习惯这样理解：评分卡是一个"分数转换器"，把PD值映射成更直观的分数。比如PD=0.03映射成620分，PD=0.01映射成720分。评分卡的底层逻辑，依然是PD模型在支撑。

一个最简单的逻辑回归PD模型公式长这样：

P(y=1|X) = 1 / (1 + exp(-(β₀ + β₁x₁ + β₂x₂ + ... + βₙxₙ)))

其中：
- P(y=1|X) 就是PD值
- β₀ 是截距项
- β₁...βₙ 是各个特征的权重
- x₁...xₙ 是客户的特征变量（收入、负债、还款历史等）

1.3 评分卡在风控中的应用场景

评分卡不是摆着好看的，它得落到具体业务里。我把它分成三个战场：贷前、贷中、贷后。

贷前准入： 客户申请贷款，系统先跑评分卡。分高的一键通过，分低的一键拒绝，中间的进入人工审核。这个环节最看重模型的"区分度"——能不能把好人和坏人分开。我做过的项目里，贷前评分卡一般要求KS不低于0.3，低于这个值基本没法用。

贷中监控： 客户已经借了钱，不代表就完事了。行为评分卡会持续监控客户的还款表现。比如额度使用率突然从30%跳到95%，或者还款日越来越晚——这些都是危险信号。我见过一个案例，客户前6个月都正常还款，第7个月开始小额逾期，行为评分卡提前2个月发出了预警，帮机构挽回了80多万。

贷后管理： 客户逾期了，催收也得讲究策略。催收评分卡把客户分成"容易催"和"死磕型"。容易催的发短信就行，死磕型的直接上法务。这能省下大量催收成本。坦白讲，很多中小机构在贷后这块做得不够细，动不动就群发短信，效果差还惹人烦。

你看上面这张图，从左到右是时间线，从上到下是"历史 → 核心 → 落地"。我每次给团队讲评分卡架构，都会先画这张图。它能帮