1. PD模型概述：信用评分卡与PD模型定义、PD模型在信贷风控中的核心作用、模型生命周期简介
1.1 信用评分卡与PD模型定义
信用评分卡（Credit Scorecard）是信贷风控领域最经典的量化工具，它将借款人的特征（如收入、负债、历史还款记录）通过统计或机器学习方法映射为一个分数，用以预测借款人未来发生违约的概率。而PD模型（Probability of Default Model）正是评分卡的核心引擎——它输出一个介于0和1之间的概率值，代表借款人在未来特定时间窗口（通常为12个月）内发生违约的可能性。
| 概念 | 定义 | 输出形式 | 典型应用 |
|---|---|---|---|
| 信用评分卡 | 将借款人特征映射为分数的决策工具 | 整数分数（如300~850） | 贷前审批、额度定价 |
| PD模型 | 预测借款人违约概率的统计/机器学习模型 | 概率值（0~1） | 风险评级、资本计量 |
| 评分卡与PD的关系 | 评分卡通常由PD模型转换而来（如逻辑回归系数加权） | 分数 = 偏移量 + 因子 × ln(odds) | 业务端使用分数，模型端使用PD |
关键理解：PD模型是评分卡的“数学内核”，评分卡是PD模型的“业务包装”。在在线推理场景中，我们直接计算PD值，再根据业务规则映射为分数或决策标签。
1.2 PD模型在信贷风控中的核心作用
PD模型贯穿信贷业务的全生命周期，是风险量化的基石。以下表格总结了PD模型在四大核心风控环节中的具体作用：
| 风控环节 | PD模型角色 | 典型决策阈值 | 业务影响 |
|---|---|---|---|
| 贷前审批 | 判断申请人是否准入，决定授信额度 | PD < 5% 自动通过；PD > 20% 自动拒绝 | 控制坏账率，提升审批效率 |
| 贷中监控 | 动态评估存量客户风险变化，触发预警 | PD上升超过30%触发人工复核 | 提前发现风险，减少损失 |
| 贷后催收 | 对逾期客户进行风险排序，分配催收策略 | PD > 50% 优先催收 | 优化催收资源，提高回款率 |
| 资本计量 | 计算预期损失（EL = PD × LGD × EAD） | 用于内部评级法（IRB） | 满足监管合规，优化资本占用 |
在线推理场景提示：在贷前审批环节，PD模型需要在毫秒级内完成推理，直接决定用户能否获得贷款。因此，模型的推理速度、稳定性和可解释性同等重要。
1.3 模型生命周期简介
一个PD模型从开发到退役，遵循标准化的生命周期管理流程。在在线推理场景中，我们重点关注部署、监控、迭代三个阶段。以下是完整的模型生命周期阶段及关键活动：
- 需求定义与数据准备：明确业务目标（如审批通过率提升5%），收集历史样本数据，定义违约标签（如逾期90天+）。
- 特征工程与模型开发：变量筛选、WOE编码、逻辑回归/GBDT/XGBoost建模，输出PD公式或模型文件。
- 模型验证与评审：区分度（KS/AUC）、稳定性（PSI）、校准度（Hosmer-Lemeshow）测试，通过内部风控委员会评审。
- 部署与在线推理：将模型封装为API服务，接入信贷审批系统，实现毫秒级PD计算。
- 监控与预警：实时监控模型输入分布、输出PD分布、KS/PSI指标，触发告警。
- 模型迭代与退役：当模型性能下降或业务策略变化时，重新开发新模型替换旧模型。
在线推理关键挑战：部署阶段需要解决特征一致性（训练与推理特征对齐）、推理延迟（通常要求<100ms）、模型版本管理（灰度发布与回滚）三大问题。本课程后续章节将逐一深入讲解。
1.4 本章小结
- PD模型是信用评分卡的核心，输出违约概率，是信贷风控的量化基石。
- 核心作用覆盖贷前、贷中、贷后、资本计量四大环节，提供统一的风险语言。
- 模型生命周期包含6个阶段，在线推理重点关注部署、监控、迭代三个环节。
- 本课程后续将深入讲解PD模型的在线推理架构、特征工程、模型服务化、性能优化与监控告警等实战内容。