1. 信用评分模型概述
1.1 信用评分的定义
信用评分（Credit Scoring）是一种利用统计模型或机器学习算法，对借款人的信用风险进行量化评估的技术。它将借款人的历史行为、财务特征、人口属性等多维信息转化为一个数值分数，用以预测借款人未来发生违约、逾期等信用事件的可能性。
核心公式表达： 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)
信用评分通常以分数区间呈现，分数越高代表信用风险越低。常见的评分区间包括 300–850（FICO）、350–950（国内个人征信评分）等。评分模型输出的不仅是分数，还包括对应的违约概率（PD, Probability of Default）和风险等级映射。
1.2 核心应用场景
信用评分模型在金融业务中贯穿贷前、贷中、贷后全流程，以下为两个最核心的应用场景：
| 应用场景 | 业务目标 | 模型输出 | 典型决策 |
|---|---|---|---|
| 信贷审批 | 自动化判断是否批准贷款申请 | 申请评分（Application Score） | 通过 / 拒绝 / 人工审核 |
| 风险定价 | 根据风险水平差异化设定利率和额度 | 行为评分（Behavior Score） | 利率上浮 / 下调、额度调整 |
信贷审批
在贷款申请环节，模型根据申请人提交的身份信息、收入证明、征信报告等数据，实时计算申请评分。金融机构据此制定准入规则：
- 自动通过： 评分高于阈值（如 680 分），系统直接批准。
- 自动拒绝： 评分低于底线（如 580 分），系统直接拒绝。
- 人工审核： 评分处于中间区间，转交信审员进一步核实。
风险定价
对于已获批客户，模型根据其行为评分动态调整贷款条件：
- 优质客户： 评分高，给予优惠利率、更高额度。
- 次级客户： 评分低，执行风险溢价利率、降低额度或要求担保。
- 预警客户： 评分持续下降，触发贷后监控和催收策略。
行业实践： 头部银行和消费金融公司已实现“千人千面”的实时风险定价，API 接口在 200ms 内返回评分和定价建议。
1.3 模型生命周期简介
信用评分模型从开发到退役遵循标准化的生命周期管理流程，确保模型持续有效、合规且可解释。完整的生命周期包含以下六个阶段：
- 需求定义与数据采集： 明确业务目标（如降低坏账率 20%），收集内部交易数据、外部征信数据、第三方数据源。
- 特征工程与模型开发： 进行数据清洗、变量筛选、WOE 编码、逻辑回归 / 树模型 / 神经网络训练。
- 模型验证与评审： 独立验证团队对模型进行区分度（KS、AUC）、稳定性（PSI）、校准度检验。
- 部署与 API 集成： 将模型封装为 RESTful API，对接业务系统（信贷核心、APP、风控中台）。
- 监控与报告： 实时监控模型输入分布、分数漂移、性能衰减，定期生成模型报告。
- 模型退役与迭代： 当模型性能低于阈值或业务环境变化时，启动新模型开发，旧模型下线。
1.4 评分模型的关键性能指标
在模型生命周期中，以下指标用于衡量模型质量和业务适配度：
| 指标 | 全称 | 含义 | 理想范围 |
|---|---|---|---|
| KS | Kolmogorov-Smirnov | 区分好客户与坏客户的最大能力 | > 0.3 |
| AUC | Area Under ROC Curve | 模型排序能力的综合度量 | > 0.75 |
| PSI | Population Stability Index | 模型分数分布随时间的变化程度 | < 0.1 |
| Lift | 提升度 | 模型相对于随机选择的预测能力倍数 | > 2.0（前 10% 样本） |
注意： 模型上线后，PSI 需每月监控。若 PSI > 0.25，说明模型分布发生显著偏移，应立即启动模型复审和校准。
1.5 信用评分模型 API 的定位
在本课程中，我们将重点聚焦于模型生命周期中的 API 部署与集成 阶段。信用评分模型 API 是连接模型与业务系统的桥梁，它承担以下职责：
- 实时推理： 接收请求特征，毫秒级返回评分和风险等级。
- 版本管理： 支持多模型版本并行，实现灰度发布和回滚。
- 安全审计： 鉴权、限流、加密传输，满足金融合规要求。
- 监控埋点： 自动记录请求日志、特征分布、响应时间，供后续监控使用。