1. 风控评分卡概述
1.1 评分卡定义
评分卡（Scorecard）是金融风控领域最经典的量化决策工具。它将申请人的特征信息（如收入、负债、征信记录）通过统计模型转化为一个可比较的分数，并根据分数阈值做出“通过”、“拒绝”或“人工审核”的决策。评分卡的核心思想是：用历史数据预测未来违约概率。
核心公式（逻辑回归评分卡）：
Score = Offset + Factor × ln(Odds)
其中 Odds = p/(1-p)，p 为违约概率；Offset 和 Factor 为常数，用于将模型输出映射到整数分数区间（如 300-850）。
Score = Offset + Factor × ln(Odds)
其中 Odds = p/(1-p)，p 为违约概率；Offset 和 Factor 为常数，用于将模型输出映射到整数分数区间（如 300-850）。
1.2 应用场景
评分卡广泛应用于信贷、保险和反欺诈三大领域，不同场景对评分卡的侧重点有所不同：
| 领域 | 典型场景 | 评分卡类型 | 关键特征 |
|---|---|---|---|
| 信贷 | 信用卡审批、消费贷、房贷 | 申请评分卡（A卡） | 收入、负债比、征信查询次数 |
| 保险 | 车险定价、健康险核保 | 风险评分卡 | 年龄、驾驶记录、既往病史 |
| 反欺诈 | 账户盗用、团伙欺诈 | 欺诈评分卡 | 设备指纹、IP 异常、行为序列 |
实战提示： 信贷场景中，A卡（申请评分卡）是最常见的入门项目。它通常使用申请时点可获取的特征，对数据质量要求高，且需要处理“拒绝推断”问题。
1.3 评分卡开发流程概览
一个标准的风控评分卡开发流程包含 6 个核心阶段，从业务理解到模型部署，每个阶段都有明确的交付物和质量控制点：
- 业务理解与数据采集 —— 明确评分卡用途（如“拒绝高风险客户”），确定目标变量（如“逾期 30 天+”），收集申请数据、征信数据、行为数据。
- 数据清洗与预处理 —— 处理缺失值、异常值、重复记录；进行数据一致性校验；生成基础统计报告。
- 特征工程 —— 衍生变量（如收入负债比）、分箱（连续变量离散化）、WOE 编码、IV 筛选。这是评分卡建模中耗时最长、最关键的步骤。
- 模型训练与评估 —— 通常使用逻辑回归（Logistic Regression）作为主模型，评估指标包括 KS、AUC、PSI 等。
- 评分卡刻度与转换 —— 将模型预测概率转换为整数分数，设定拒绝线、灰名单线、通过线。
- 模型验证与部署 —— 在时间外样本（OOT）上验证稳定性，编写模型监控报告，上线部署并持续监控。
1.4 评分卡 vs 机器学习模型
虽然深度学习等复杂模型在风控领域也有应用，但评分卡（尤其是逻辑回归评分卡）在金融行业仍占据主导地位，原因如下：
| 对比维度 | 评分卡（逻辑回归） | 机器学习模型（XGBoost/神经网络） |
|---|---|---|
| 可解释性 | 高，每个特征有明确的分数贡献 | 低，需要 SHAP/LIME 辅助解释 |
| 监管合规 | 满足巴塞尔协议、银保监会要求 | 部分场景受限，需额外解释报告 |
| 稳定性 | 高，特征分箱后对异常值不敏感 | 中等，容易过拟合，需要频繁重训 |
| 开发周期 | 较长（特征工程耗时） | 较短（自动化特征选择） |
| 适用场景 | 强金融监管场景、需要拒绝理由 | 弱监管场景、高维数据、图像/文本 |
避坑提醒： 不要盲目追求模型复杂度。在信贷审批场景中，监管机构通常要求模型具备“可解释性”和“公平性”，评分卡是合规成本最低的选择。如果业务方要求“给出拒绝原因”，评分卡可以直接输出“收入负债比过高扣 30 分”，而 XGBoost 很难做到这一点。
1.5 评分卡开发中的常见误区
- 误区一： 直接使用原始特征建模，不做分箱处理。后果：模型对异常值敏感，分数刻度不稳定。
- 误区二： 忽略时间维度，使用全量历史数据训练。后果：模型在时间外样本上 PSI 飙升，上线即失效。
- 误区三： 特征筛选只看 IV 值，忽略业务逻辑。后果：模型可能包含“未来信息”或“因果倒置”特征。
- 误区四： 评分卡刻度设置不合理，导致拒绝线附近样本堆积。后果：人工审核压力大，通过率波动剧烈。