1. 分箱与WOE概述

在信用评分模型与风控特征工程中，分箱（Binning）与WOE编码（Weight of Evidence Encoding）是两项最核心的预处理技术。它们不仅能够将连续变量或高基数离散变量转化为稳定的数值特征，还能直接提升模型的可解释性与预测能力。本节将系统阐述这两个概念的定义、数学原理及其在信用评分模型中的战略地位。

1.1 什么是分箱

分箱（Binning）是指将连续变量或取值过多的离散变量按照某种规则划分为若干个有限的区间（箱），每个箱对应一个分组标签。分箱的本质是粗粒度化——用少数几个区间替代原始变量的无数种取值，从而降低噪声、增强稳定性。

常见的分箱方式包括：

1.2 什么是WOE编码

WOE（Weight of Evidence，证据权重）是一种将分箱后的类别变量转换为数值型特征的方法，其核心思想是衡量每个箱内“好样本”与“坏样本”分布的差异程度。WOE编码在信用评分模型中几乎成为标准配置。

WOE的数学定义如下：

WOE_i = ln( (Good_i / Good_total) / (Bad_i / Bad_total) )

其中：
- Good_i  = 第 i 个箱中“好样本”（如按时还款）的数量
- Good_total = 全部好样本总数
- Bad_i   = 第 i 个箱中“坏样本”（如违约）的数量
- Bad_total = 全部坏样本总数

WOE值的含义：

• WOE > 0：该箱中好样本比例高于整体平均水平，该箱对“好”有正向贡献。
• WOE < 0：该箱中坏样本比例高于整体平均水平，该箱对“坏”有正向贡献。
• WOE = 0：该箱中好坏比例与整体一致，无区分能力。

1.3 分箱与WOE在信用评分模型中的核心地位

在信用评分卡（Scorecard）模型中，分箱与WOE编码不是可选项，而是必经流程。其核心地位体现在以下四个方面：

1. 变量稳定性保障：原始连续变量容易受时间推移、客群漂移影响。分箱后每个箱的WOE值相对稳定，模型在跨时间验证时表现更稳健。
2. 非线性关系捕捉：WOE编码天然具备处理U型、倒U型等非线性关系的能力。例如，年龄与违约率常呈“年轻高、中年低、老年高”的U型关系，分箱+WOE可以完美表达这种模式。
3. 缺失值处理：缺失值可以单独作为一个箱，其WOE值由缺失样本的好坏比例决定，无需额外插补。
4. 模型可解释性：WOE编码后的变量与逻辑回归系数相乘，可以直接转化为评分卡上的“分值”，每个箱对应一个明确的分数增减量，业务人员可以直观理解。

下图展示了从原始变量到WOE编码的完整流程：

1.4 分箱与WOE的数学关系

分箱与WOE编码之间存在紧密的数学关联。分箱的质量直接决定WOE编码的有效性。一个好的分箱方案应满足以下条件：

• 单调性：WOE值随变量取值单调递增或递减，便于模型解释。
• 区分度：相邻箱之间的WOE值差异足够大，确保变量有预测能力。
• 稳定性：在训练集与验证集上，各箱的WOE值排序保持一致。

下表展示了一个典型的分箱与WOE计算结果示例（以“年龄”变量为例）：

从上表可以看出，WOE值随年龄增长单调递增，说明年龄越大，好样本比例越高，这与业务常识一致。这种单调性使得模型在评分卡中可以直接使用WOE值作为线性输入。

下图展示了WOE单调性检查的典型流程：

1.5 分箱与WOE在信用评分模型中的战略价值

在信用评分模型的全生命周期中，分箱与WOE编码贯穿始终，其战略价值体现在以下三个层面：