4. 业务层特征（二）：客户风险评级特征：基于规则的评分卡、风险等级划分（低/中/高/极高）

客户风险评级是KYC与AML体系中承上启下的核心环节。它基于前序业务层特征（如交易行为、身份信息、地域风险等），通过基于规则的评分卡将多维特征转化为可量化的风险分值，并依据预设阈值将客户划分为低、中、高、极高四个等级。本节将深入讲解评分卡的构建逻辑、权重分配方法以及等级划分的实战标准。

4.1 基于规则的评分卡设计原理

评分卡（Scorecard）是一种线性可加模型，其核心思想是将每个风险特征变量进行分段或分类，并为每个分段赋予一个独立的分数，最终将所有特征的分数累加得到客户的总风险分。与复杂的机器学习模型相比，评分卡具有高可解释性、易监管、可回溯的显著优势。

评分卡的设计通常遵循以下四个步骤：

1. 特征筛选与分箱： 从业务层特征池中选取与洗钱/恐怖融资风险强相关的特征（如：月均交易金额、跨境交易占比、账户活跃天数、证件有效期剩余天数等）。对连续变量进行分箱（如：年龄分为18-25、26-40、41-60、60+），对分类变量进行合并（如：职业分为高风险职业、普通职业）。
2. WOE编码与IV值计算： 计算每个分箱的证据权重（Weight of Evidence, WOE）和信息价值（Information Value, IV），用于衡量该分箱对好坏客户的区分能力。IV值越高，特征区分能力越强。
3. 分数映射： 将WOE值线性映射为整数分数。通常设定一个基准分数（如600分），并定义每增加一个单位WOE对应的分数增量（如20分）。
4. 阈值设定与等级划分： 根据业务风险偏好和监管要求，设定总分阈值，将客户划入不同风险等级。

4.2 实战评分卡特征权重与分数示例

以下是一个简化版的客户风险评分卡示例，展示了不同特征项及其对应的分数映射规则。实际生产中，分数需经过严格的WOE计算和校准。

4.3 风险等级划分标准（低/中/高/极高）

在计算出客户总分后，需要根据总分分布和业务容忍度，设定明确的阈值来划分风险等级。常见的划分方法包括等距法、分位数法、拐点法。以下是一个典型的四等级划分标准：

4.4 评分卡与风险等级划分流程（SVG）

下图展示了从特征输入到最终风险等级输出的完整流程，清晰呈现了评分卡在业务层特征中的核心位置。

4.5 评分卡与机器学习模型的对比（SVG）

为了帮助学员更直观地理解基于规则的评分卡在AML场景中的定位，以下将其与机器学习模型进行对比。虽然机器学习模型在预测精度上可能更高，但在金融合规领域，可解释性和监管友好性往往占据更优先的位置。