4. 评分卡开发流程：数据准备、特征工程、变量筛选、模型训练、模型验证、模型部署

评分卡是商户风险分群的核心量化工具。一套标准评分卡的开发遵循六阶段流水线：从原始数据到可投产的决策模型。每个阶段都有明确的输入、输出与质量门禁，跳过任何一步都会导致模型失效或监管不合规。

4.1 六阶段全景流程

下表概括了每个阶段的核心任务、关键产出与典型耗时。理解这张表，就等于掌握了评分卡开发的“作战地图”。

阶段	核心任务	关键产出	典型耗时
① 数据准备	数据源接入、清洗、合并、时间窗口对齐	宽表（含Y变量与原始特征）	30%
② 特征工程	衍生变量、分箱、WOE编码、缺失值处理	特征矩阵（WOE化）	25%
③ 变量筛选	IV排序、相关性分析、逐步回归/稳定性检验	候选变量子集（10~20个）	15%
④ 模型训练	逻辑回归拟合、系数估计、尺度化	原始评分卡系数	10%
⑤ 模型验证	区分度（KS/AUC）、校准度、稳定性（PSI）	验证报告、回测结果	10%
⑥ 模型部署	评分映射、决策矩阵、监控看板	生产级评分卡+监控体系	10%

4.2 阶段一：数据准备 —— 地基决定高度

数据准备的目标是构建一张“干净、对齐、可回溯”的分析宽表。商户评分卡的数据源通常包括：

• 商户基本信息：注册时长、行业类别、注册资本、法人信息。
• 交易流水数据：日均交易额、交易笔数、大额交易占比、夜间交易占比。
• 历史风险记录：逾期次数、退单率、投诉率、黑名单命中记录。
• 外部征信数据：工商异常、司法涉诉、多头借贷查询次数。

关键动作是时间窗口对齐：特征观察期（如过去6个月）必须严格在表现期（如未来3个月）之前，避免“用未来信息预测未来”的数据泄露。

# 数据准备伪代码：时间窗口切割
# 观察期：2024-01-01 至 2024-06-30
# 表现期：2024-07-01 至 2024-09-30
# 标签定义：表现期内是否发生逾期（逾期天数≥30天）

df_wide = (
    merchant_base
    .merge(trans_agg, on='merchant_id', how='left')
    .merge(risk_history, on='merchant_id', how='left')
    .merge(external_data, on='merchant_id', how='left')
)
df_wide['y'] = (df_wide['overdue_days'] >= 30).astype(int)

4.3 阶段二：特征工程 —— 从原始变量到预测力

特征工程是评分卡开发中最具创造性的环节。核心步骤包括：

1. 分箱（Binning）：将连续变量（如交易金额）离散化为若干区间，捕捉非线性关系。
2. WOE编码：用“证据权重”替换原始值或分箱标签，建立与违约概率的单调关系。
3. 缺失值处理：单独作为一个分箱，保留缺失信息。
4. 异常值截断：对极端值进行上下限截断（如99%分位数）。

WOE的计算公式为：

WOE_i = ln( (Bad_i / Bad_total) / (Good_i / Good_total) )
其中：
- Bad_i: 第i个分箱中的坏样本数
- Good_i: 第i个分箱中的好样本数

4.4 阶段三：变量筛选 —— 去芜存菁

经过特征工程后，变量数量可能达到数百个。变量筛选的目标是保留预测能力强、稳定性好、相关性低的变量子集。常用筛选标准：

筛选维度	常用指标	阈值建议
预测能力	IV（信息量）	IV > 0.02 且 IV < 0.5
稳定性	PSI（群体稳定性指标）	PSI < 0.1
相关性	Pearson / Spearman 相关系数	|r| < 0.7
业务可解释性	专家评审	变量含义清晰，符合业务逻辑

4.5 阶段四：模型训练 —— 逻辑回归与尺度化

评分卡行业标准模型是逻辑回归，原因在于其可解释性强、监管友好、易于部署。训练过程包括：

• 拟合逻辑回归：以WOE化特征为输入，以0/1标签为目标，使用最大似然估计求解系数。
• 系数尺度化：将逻辑回归系数转换为整数评分。标准做法是设定基准分（如600分）和翻倍分值（如每增加20分，违约概率减半）。

# 评分尺度化示例
# 设定：基准分 = 600，PDO（翻倍分值） = 20
# 逻辑回归系数：beta_0 = -2.5, beta_1 = 0.8, beta_2 = -0.6

factor = 20 / log(2)  # 约 28.85
offset = 600 - factor * (-2.5)  # 约 672.13

score = offset + factor * (beta_1 * WOE_1 + beta_2 * WOE_2)
# 最终评分 = 672.13 + 28.85 * (0.8*WOE_1 - 0.6*WOE_2)

4.6 阶段五：模型验证 —— 不验证不上线

模型验证是风控合规的硬性要求。验证分为三个层面：

1. 区分度：KS统计量（通常要求 > 0.3）、AUC（通常要求 > 0.7）。
2. 校准度：预测违约概率与实际违约率的一致性（校准曲线）。
3. 稳定性：训练集与测试集、跨时间样本的PSI（要求 < 0.1）。

4.7 阶段六：模型部署 —— 从开发到生产

部署不是简单地把模型文件放到服务器上。完整的部署包括：

• 评分映射：将逻辑回归系数转换为整数评分卡表格，便于业务人员直接查表打分。
• 决策矩阵：设定拒绝、人工审核、通过三个区间的分数阈值。
• 监控看板：实时监控评分分布、PSI、通过率、坏账率，设置预警机制。

# 评分卡查表示例（简化）
# 变量：月均交易金额（分箱后）
# 分箱区间        WOE      系数    得分
# [0, 5)         0.45      28.85   13
# [5, 20)        0.12      28.85    3
# [20, 50)      -0.35      28.85  -10
# [50, +∞)      -0.78      28.85  -22
# 基准分：600
# 商户最终评分 = 600 + 13 + 3 + (-10) + (-22) = 584