第一章：信用评分模型简介与行业背景

大家好。我是老张，干这行快十年了。今天咱们聊聊信用评分模型。很多人觉得这玩意儿高深莫测，其实说白了，它就是一套给借款人“打分”的算法。分高，借钱就容易；分低，就得多交点利息，甚至直接被拒。

我刚开始接触这行时，也觉得不就是个统计模型吗？后来踩了不少坑才明白，一个评分模型背后，是整个金融体系的风控逻辑。你想想看，银行每天要处理成千上万的贷款申请，不可能每个人都去面对面调查吧？评分卡就是为了解决这个效率问题。

1.1 什么是信用评分模型？

从技术角度讲，它是一个二分类问题。模型输出一个分数，比如300到850分。分数越高，代表违约风险越低。我习惯把它看作一个“风险温度计”。

为什么需要分数，而不是直接给个“通过/拒绝”？理由很简单：精细化管理。不同分段的客户，我们可以设计不同的额度、利率和还款方案。这就是所谓的“千人千面”。

核心三要素

• 数据：模型的食物。没有高质量的数据，一切都是白搭。我在项目中遇到过，有些机构数据字段倒是很多，但缺失率高达60%，这种数据喂进去，模型直接报废。
• 算法：逻辑回归、决策树、XGBoost……每种算法都有自己的脾气。逻辑回归可解释性强，适合对外解释；树模型精度高，但容易过拟合。
• 业务理解：这是很多人忽略的。模型再漂亮，如果业务不认可，也上不了线。我见过一个模型，技术指标完美，但把公务员的分数打得很低，因为历史样本里公务员逾期率确实高。但业务方说，“这不行，公务员是我们最优质的客群，样本有问题。”你看，不理解业务，技术就变成了笑话。

要素	重要性	常见问题
数据	★★★★★	缺失值多、样本偏差、时效性差
算法	★★★★	过拟合、欠拟合、与业务逻辑冲突
业务理解	★★★★★	模型结果与业务直觉不符，无法落地

1.2 行业现状与趋势

信用评分不是新鲜事物。最早的FICO评分在1958年就诞生了。但真正的大爆发，是最近十年。尤其是互联网金融崛起后，数据量和计算能力都上了一个台阶。

我记得2015年去一家城商行做项目，他们的风控系统居然还在用Excel手动算分。当时我大吃一惊。但现在不一样了，几乎所有机构都在用模型，只是成熟度不同。

几个明显的趋势

1. 从传统数据到替代数据：以前只看央行征信。现在水电煤、电商消费、社交网络都成了变量。说白了，是给没有传统征信记录的人（比如年轻人、蓝领）一个获取金融服务的机会。
2. 从单模型到模型集成：单个模型总有局限。现在流行“百家争鸣”，把多个模型的预测结果综合起来，效果往往更好。
3. 可解释性要求越来越高：监管对“黑盒模型”越来越严格。客户问你为什么拒贷，你得给出合理解释。这也让可解释的机器学习（如SHAP、LIME）变得热门。

1.3 评分卡的类型

行业内常见的评分卡主要有三类。我曾以为它们区别不大，直到实际开发才发现，每种的注意事项完全不同。

类型	目标客群	数据来源	我的经验
申请评分卡	新客户	申请表 + 外部征信	变量少，要小心“拒绝推断”问题
行为评分卡	存量客户	内部交易/还款行为	变量丰富，但时间序列处理要仔细
催收评分卡	逾期客户	催收通话 + 还款意愿特征	样本极端不平衡，正样本太少

1.4 一个典型的行业应用案例

2018年，我帮一家消费金融公司开发申请评分卡。他们当时的问题很典型：坏账率从年初的2%飙到了5%。

我检查了他们的旧模型，发现是逻辑回归，AUC 0.72，但WOE值已经严重偏移。说白了，模型过时了。

我重新做了特征工程，加入了一些交叉变量（比如“月收入/月还款额”的比率），并换了LightGBM。上线后，坏账率从5%降到了3.2%。同时，高分段客户的通过率反而提高了15%。这就是模型优化的价值。

1.5 信用评分系统的组成

一个完整的信用评分系统，不仅仅是模型本身。它应该包括：

• 数据接入层：对接各种数据源，清洗、整合、标准化。
• 变量加工层：把原始数据变成模型能用的特征。
• 决策引擎层：跑模型，输出分数，结合规则做决策。
• 监控与回馈层：监控模型效果，定期复审，迭代更新。

下面这张图，是我个人习惯用的一个简化架构。你可以直观地看到数据怎么流入，最终怎么变成风险决策。

这张图你看懂了吗？数据从左边进入，经过加工、建模，最后到决策引擎。同时，右侧的监控模块会持续观察模型是否“退化”。一旦发现异常，就回馈到变量加工层进行迭代。这是一个闭环。

好了，第一章就聊到这儿。基础打好了，后面的路才好走。