第1章 信用评分概述
1.1 信用评分的定义
信用评分，说白了就是用一个数字来量化你"还钱靠不靠谱"。
这个数字不是拍脑袋拍出来的。它基于你过去的行为——借过多少钱、还了多少、有没有逾期、逾期了多久——然后通过统计模型算出一个分数。分数越高，代表违约风险越低。反过来，分数越低，放款方就越要小心。
评分范围：主流的信用评分通常在 300-850 分 之间。我记得刚入行时，有个风控老手跟我说过一句让我印象很深的话："600 分以下算高风险，700 分以上算安全区，但具体阈值要看产品定位。"嗯，确实如此。
核心逻辑：
- 以史为鉴——用历史数据预测未来表现
- 概率思维——评分不是"会不会违约"，而是"违约概率有多高"
- 动态更新——随着新数据加入，评分会发生变化
我个人习惯把信用评分理解成"一个人的金融信用档案的浓缩版"。它不是标签，而是一个概率信号。
1.2 信用评分的应用场景
信用评分用到的地方，比你想象中多得多。不光银行用，租房、保险、甚至有些公司在招聘时都会参考。为什么会这样？因为"这个人是否守信"在几乎所有涉及契约关系的场景里都成立。
主流应用场景：
| 场景 | 核心需求 | 常用评分阈值 |
|---|---|---|
| 银行贷款（房贷/车贷） | 评估大额长期还款能力 | ≥ 680 分 |
| 信用卡审批 | 判断循环授信风险 | ≥ 650 分 |
| 消费金融（小额短周期） | 快速决策、高通过率 | ≥ 600 分 |
| 房屋租赁 | 评估租金支付意愿 | ≥ 620 分 |
| 保险定价 | 关联出险概率 | 按产品定制 |
| 就业背景调查 | 财务诚信审查 | 通常 ≥ 700 分 |
我在 2019 年参与过一个消费金融项目，合作方是一家头部互联网平台。他们当时遇到一个典型问题：信用分在 620 附近的用户，坏账率忽高忽低。后来我们拆开一看，发现是数据源里有大量"多头借贷"信号没被捕捉到。嗯，这就是为什么光看评分不够，还要看评分背后的数据构成。
1.3 常见信用评分模型简介
市场上常见的评分模型，大体分为三种流派：通用评分卡、行业定制评分、自研机器学习模型。下面这张表是我个人整理的对比，你可以在实际选型时参考。
| 模型 | 开发方 | 数据来源 | 特点 | 国内应用范围 |
|---|---|---|---|---|
| FICO Score | Fair Isaac Corp. | 三大征信局（Equifax/Experian/TransUnion） | 行业标杆，30 年积累，解释性强 | 外资银行、跨境金融 |
| VantageScore | 三大征信局联合开发 | 同上 | 对"无信用记录"人群更友好 | 部分外资金融机构 |
| 央行征信评分 | 中国人民银行征信中心 | 银行/持牌金融机构信贷数据 | 覆盖广、权威性高、更新频率偏低 | 银行、持牌消金 |
| 百行征信评分 | 百行征信（市场机构） | 互联网信贷/消费数据 | 补充央行征信盲区，覆盖长尾客群 | 互联网平台、小贷公司 |
| 自研评分卡 | 各金融机构自建 | 自有交易数据 + 外部征信 | 量身定制，与业务贴合度高 | 银行、消金、互金头部公司 |
说到选模型，我个人的习惯是：先看数据可用性，再定模型复杂度。我在一个项目中见过团队花三个月调了一个 XGBoost 评分模型，结果上线后发现最重要的特征来自央行征信，而这个特征更新频率只有一个月一次。模型再强也救不了数据时效性。
下面这张图是我常用来给新人讲解的 信用评分体系架构，它把数据来源、模型构建、评分输出和应用场景串在一起——你一看就能理解整个链条是怎么跑的。