📚 课程目录第1章信用评分模型概述

一、信用评分模型概述：先搞清楚我们在做什么

信用评分模型，说白了就是给借钱的人打个分。分越高，违约风险越低。这个分数直接影响你能不能贷到款，利率是多少。

我记得刚入行那会儿，带我的老张说了一句话，我一直记着：「模型不是为了好看，是为了决策」。你想想看，银行每天要处理成千上万的贷款申请，每一笔都要人工审，那效率就太低了。评分卡就是解决这个问题的。

传统信贷审批靠什么？靠信审员翻征信报告、看银行流水、打电话核实。一个人审一笔单子可能要半小时，效率低不说，还容易受主观因素影响。

信用评分卡的优势很明显：

🧠 项目经验： 我在某互金公司做过一次对比测试。同一批申请单，人工审批通过率48%，模型自动审批通过率52%。更重要的是，模型拒绝的那部分客户里，后来有17%真的逾期了。这就是模型的价值——它不是更保守，而是更准确。

很多人以为评分卡就是「几个变量加起来等于分数」。嗯，这个理解太粗糙了。真正的逻辑是这样的：

评分卡核心公式：

Score = BaseScore + Σ(变量各档对应分数)

其中：
BaseScore = 基准分（通常是600或650）
变量分数 = WOE × β × ScaleFactor

为什么会用到WOE？因为原始特征跟违约率的关系往往不是线性的。比如年龄，18岁到25岁违约率高，35岁到45岁违约率低，60岁以上又高了。你直接拿年龄的原始值去建模，效果会很差。WOE编码就是为了拟合这种U型或S型关系。

    ⚠️ 注意： 上面的负分数是扣分，正分数是加分。评分卡底层用的是逻辑回归，但输出直接是分数而不是概率。这样做是为了业务人员好理解——「你被扣了15分」比「你违约概率增加3%」更直观。

信用评分模型不是一个东西，是一整套家族。根据使用场景不同，大致分这三类：

申请评分卡 (Application Scorecard)
- 用于贷前审批，判断「借不借」
- 特征来自申请表 + 征信报告
- 样本量大，但坏样本少（通常<5%）
行为评分卡 (Behavior Scorecard)
- 用于贷中管理，判断「涨不涨额」
- 特征来自还款行为 + 消费数据
- 样本量大，好坏分布相对平衡
催收评分卡 (Collection Scorecard)
- 用于贷后催收，判断「怎么催」
- 特征来自失联信息 + 历史催收记录
- 样本量小，时效性要求极高

⚠️ 避坑提醒： 我曾经见过一个团队，把申请评分卡直接拿来跑行为监控，结果KS一个月跌了0.15。原因很简单——申请阶段的人和已经贷了款的人，行为模式完全不同。切模型使用场景，一定要做数据迁移验证。

这一节我画个图，让你一次性看清楚整个流程长什么样。

💡 个人习惯： 我建议你在项目启动前，先把上面这张图画出来。不是画给老板看，而是画给自己。每个环节的输入输出是什么，边界在哪里，心里有底了再动手，会少走很多弯路。

模型类型	常用算法	样本要求	典型使用频率
申请评分卡	逻辑回归	坏样本≥1000	每6-12个月更新
行为评分卡	XGBoost / LR	坏样本≥3000	每季度监控+调整
催收评分卡	LightGBM	坏样本≥500	每月更新

你可能注意到了，催收评分卡的样本要求最低，但更新频率最快。这是因为催收场景变化太快——今天还能打通的电话，下周可能就停机了。模型不及时更新，基本等于废了。

    📌 最后说一句： 参数调优不是上来就调学习率、调正则化系数。你先搞清楚业务场景、数据来源、评分卡的基本原理，后面的一切操作才有意义。否则就是——地基没打好，盖再高的楼也白搭。