风险控制策略分群：评分沙盘推演教程 - 第2节

2.1 评分卡的基本原理

评分卡（Scorecard）是信贷风控中最核心的量化工具，它将借款人的违约风险映射为一个可比较的分数。其底层逻辑基于 逻辑回归（Logistic Regression） 或 决策树 等统计模型，通过 WOE（Weight of Evidence，证据权重）编码与变量分箱，将原始特征转化为可加分的分值。

评分卡的基本假设是：历史数据中违约与正常客户的分布差异，可以量化成每个特征区间的“好坏比”，进而转化为分数。分数越高，代表客户信用越好、违约概率越低。

评分卡的核心要素

• 基准分（Offset）： 当所有特征取参考值时对应的基础分数。
• 分值刻度（Scale）： 定义“分数每增加 X 分，好坏比翻倍”的比率关系，通常设定为 20 分或 50 分翻倍。
• 变量分箱（Binning）： 将连续变量或离散变量划分为若干区间，每个区间赋予独立的 WOE 值。
• 分值分配（Points Allocation）： 基于回归系数与 WOE 计算每个分箱的得分。

2.2 标准评分卡与定制评分卡的区别

在实际业务中，评分卡并非“一刀切”。根据应用场景与开发方式，评分卡可分为 标准评分卡 和 定制评分卡 两大类。理解两者的差异，是选择正确风控策略的前提。

如何选择？

• 初创期或快速上线： 优先采购标准评分卡作为冷启动风控。
• 成熟期或差异化竞争： 投入资源开发定制评分卡，形成风控壁垒。
• 混合策略： 标准评分卡作为“准入门槛”，定制评分卡用于“额度定价”与“贷中监控”。

2.3 评分卡开发流程概览

评分卡开发是一个系统化工程，通常包含 7 个核心阶段。每个阶段都有明确的交付物与质量门禁，确保最终评分卡稳定、有效、可解释。

1. 业务定义与数据采集： 明确目标变量（如“逾期 30 天+”）、观察期与表现期，采集内部申请数据、行为数据及外部征信数据。
2. 数据清洗与预处理： 处理缺失值、异常值、重复记录，进行数据质量报告（DQR）。
3. 特征工程与分箱： 对连续变量进行最优分箱（如决策树分箱、卡方分箱），对离散变量合并稀疏类别，计算每个分箱的 WOE 与 IV（Information Value，信息量）。
4. 模型训练与变量筛选： 使用逻辑回归训练模型，通过逐步回归、LASSO 或业务经验筛选最终入模变量，确保变量间低多重共线性（VIF < 5）。
5. 评分卡刻度与分数映射： 将逻辑回归系数转换为分数，设定基准分与分值刻度，生成评分卡分值表。
6. 模型验证与校准： 在时间外样本（OOT）上验证 KS、AUC、PSI（群体稳定性指标），必要时进行分数校准。
7. 部署与监控： 将评分卡部署到决策引擎，上线后持续监控分数分布、变量稳定性与模型衰减。

开发流程时间线参考

代码示例：评分卡分数映射（Python 伪代码）

import pandas as pd
import numpy as np

# 假设已有逻辑回归模型系数 coef_ 与 WOE 映射表
def scorecard_mapping(df, coef_dict, base_score=600, pdo=20, odds=50):
    """
    将 WOE 值映射为评分卡分数
    :param df: 包含 WOE 值的 DataFrame
    :param coef_dict: 变量名 -> 回归系数
    :param base_score: 基准分
    :param pdo: 分数翻倍所需分值 (points to double odds)
    :param odds: 基准好坏比
    """
    factor = pdo / np.log(2)
    offset = base_score - factor * np.log(odds)
    df['score'] = offset
    for var, coef in coef_dict.items():
        df['score'] += (coef * df[f'{var}_woe']) * factor
    return df['score'].round(0).astype(int)

# 使用示例
# coef_dict = {'age': 0.35, 'income': 0.28, 'debt_ratio': -0.42}
# df['final_score'] = scorecard_mapping(df, coef_dict)