3. 金融模型中的概率输出
在金融风控与投资决策中，模型输出的“概率”往往比“类别”或“点估计”更有价值。无论是判断一笔贷款是否会违约、一只股票是否会上涨，还是预测某资产组合在未来一天的最大损失，业务方真正关心的通常不是“是或否”，而是“有多大的可能性”。因此，理解不同模型如何产生概率、这些概率在业务上代表什么，以及如何校准它们，是金融模型落地的核心能力。
一、核心原理：概率输出的三种来源
金融场景中的概率输出大致来自三类模型。第一类是分类模型，如逻辑回归、梯度提升树、神经网络，它们直接输出样本属于某一类别的概率，例如“违约概率 PD=0.032”。第二类是回归模型，如线性回归、分位数回归，它们输出连续值，但通过残差分布、分位数或变换函数可以转化为概率，例如“未来收益低于 -5% 的概率为 12%”。第三类是评分卡，它通常将逻辑回归的线性组合映射为分数，再通过分数-概率转换表得到违约概率。
关键区别在于：分类模型的概率是“类别条件概率”，回归模型的概率是“预测分布下的尾部概率”，而评分卡的概率是“经过业务刻度化后的违约概率”。三者都需要校准，否则模型输出的 0.1 未必真的代表 10% 的发生率。
二、方法流程：从原始输出到可信概率
无论哪类模型，概率校准通常遵循以下流程：
- 收集原始输出：分类模型取 predict_proba，回归模型取预测分布或残差经验分布，评分卡取分数并转换为初始 PD。
- 划分校准集：从训练集中独立切分一部分数据，或使用交叉验证的 out-of-fold 预测，避免过拟合校准器。
- 选择校准方法：Platt Scaling（Sigmoid 校准）、Isotonic Regression（保序回归）、Beta 校准或温度缩放。样本量小时优先 Platt，样本充足且单调关系明显时可用 Isotonic。
- 评估校准效果：绘制可靠性图（Reliability Diagram），计算 Brier Score、Log Loss、ECE（Expected Calibration Error）。
- 业务阈值映射：根据校准后的概率设定审批阈值、拨备比例或风险限额。
评分卡概率转换示例：假设基准分为 600，基准 Odds 为 50:1，PDO=20。则分数与 Odds 的关系为：
Score = 600 - 20 * log(Odds) / log(2)
PD = 1 / (1 + Odds)
# 若某客户分数为 650，则 Odds = 2^((650-600)/20) ≈ 5.66
# PD = 1 / (1 + 5.66) ≈ 0.15三、典型场景与案例
| 场景 | 模型类型 | 概率含义 | 校准重点 |
|---|---|---|---|
| 信贷违约概率 | 评分卡 / 逻辑回归 | 未来 12 个月违约概率 PD | 分数-概率映射、样本权重、时间外验证 |
| 市场风险预测 | GARCH / 分位数回归 | 未来一日损失超过 VaR 的概率 | 尾部校准、波动率聚集、极端值处理 |
| 反欺诈识别 | GBDT / 神经网络 | 交易为欺诈的概率 | 类别不平衡、阈值移动、代价敏感 |
| 投资信号生成 | 分类模型 | 标的上涨概率 | 概率校准、市场状态切换、置信区间 |
以信贷评分卡为例，某银行发现模型输出的 PD 在低分段明显高估、高分段明显低估。通过 Isotonic 校准后，可靠性图接近对角线，Brier Score 从 0.18 降至 0.12，审批阈值从 0.05 调整到 0.07，坏账率下降而通过率仅微降。这说明概率校准不仅提升统计指标，更直接影响业务收益。
四、常见误区与复盘
误区一：把模型输出直接当真实概率。未经校准的 GBDT 和神经网络常出现“过度自信”，输出 0.9 的样本实际发生率可能只有 0.6。
误区二：用训练集评估校准效果。校准器本身也会过拟合，必须使用独立校准集或交叉验证。
误区三：忽略样本权重与时间漂移。金融数据常存在样本不平衡和概念漂移，校准后仍需定期监控 PSI 和校准曲线。
复盘建议：建立概率监控看板，按月计算 ECE 和 Brier Score；对评分卡定期重算分数-概率映射表；对市场风险模型使用滚动窗口回测，确保尾部概率在 99% 置信水平下仍然可靠。
概率输出是金融模型与业务决策之间的桥梁。分类模型、回归模型和评分卡各有其概率生成逻辑，但只有经过严格校准和置信度评估，这些概率才能真正支撑授信审批、风险定价、投资决策和监管报送。掌握校准方法、评估指标和业务映射，是金融模型从“能跑”走向“可信”的关键一步。