1. 信用评分模型概述
1.1 信用评分模型的定义
信用评分模型是一种基于统计与机器学习方法的量化工具，通过对借款人历史信贷行为、人口属性、财务特征等多维数据进行建模，输出一个数值化的信用评分，用以预测借款人未来发生违约或逾期等风险事件的概率。该评分通常以整数形式呈现，分值越高代表信用风险越低。
核心公式逻辑： 信用评分 = f(还款历史、负债水平、信用历史长度、新开账户、信用类型组合)
信用评分模型在金融风控中扮演着“风险度量尺”的角色，将主观判断转化为客观、可重复、可验证的决策依据。
1.2 发展历程
信用评分模型的发展经历了从人工经验到智能算法的四个主要阶段：
| 阶段 | 时间区间 | 核心方法 | 典型特征 |
|---|---|---|---|
| 第一阶段 | 1950s – 1970s | 专家判断法 | 信贷员基于“5C”原则（品德、能力、资本、担保、条件）人工打分，主观性强，一致性差 |
| 第二阶段 | 1970s – 1990s | 统计评分卡 | 引入逻辑回归与判别分析，FICO 评分问世，实现标准化、可量化的信用评估 |
| 第三阶段 | 2000s – 2015 | 集成学习与决策树 | 随机森林、GBDT、XGBoost 等算法提升预测精度，开始处理高维非线性关系 |
| 第四阶段 | 2015 – 至今 | 深度学习与替代数据 | 神经网络、图神经网络结合移动设备数据、社交行为等替代数据，覆盖无征信人群 |
关键里程碑： 1989 年 FICO 公司发布首个通用信用评分模型，成为全球信用评分的事实标准；中国在 2006 年由央行征信中心启动个人征信系统建设，推动本土化评分模型发展。
1.3 在金融风控中的核心作用
信用评分模型贯穿信贷业务全生命周期，在以下四个关键环节发挥不可替代的作用：
- 贷前准入与审批： 自动判断申请人是否满足最低信用门槛，决定“批”或“拒”，以及初始授信额度与利率定价。
- 贷中监控与额度管理： 实时跟踪借款人信用状态变化，触发额度调整、风险预警或临时冻结。
- 贷后催收与资产处置： 根据评分高低划分催收策略（短信、电话、上门、法务），优化催收资源分配。
- 组合风险管理与资本计量： 用于计算风险加权资产（RWA）、预期损失（EL）与资本充足率，满足巴塞尔协议等监管要求。
⚠ 常见误区： 信用评分模型不是“万能预言器”。模型输出的是概率而非确定性，且会因数据分布偏移、政策变化、欺诈手段升级而失效。因此，持续的模型监控与回放验证是保障模型有效性的必要手段。
1.4 信用评分模型的核心价值总结
信用评分模型将金融风控从“经验驱动”升级为“数据驱动”，其核心价值体现在以下三个维度：
- 效率提升： 实现秒级自动化审批，大幅降低人工审核成本与时间。
- 一致性保障： 同一模型对相同特征的申请人输出相同评分，消除信贷员主观偏差。
- 可量化管理： 评分可分解、可回溯、可验证，支持精细化的风险定价与组合管理。