1. 信用评分卡与PD模型概述
1.1 信用评分卡的发展历史
信用评分卡（Scorecard）是金融风控领域最经典、应用最广泛的量化决策工具之一。其发展经历了从经验判断到数据驱动、从规则引擎到机器学习模型的演进过程。
| 阶段 | 时间 | 核心方法 | 代表技术 |
|---|---|---|---|
| 萌芽期 | 1950s-1960s | 专家经验 + 简单统计 | 5C原则（品德、能力、资本、担保、条件） |
| 统计评分期 | 1970s-1990s | 逻辑回归 + 评分卡转换 | FICO评分卡、申请评分卡（A卡） |
| 机器学习期 | 2000s-2010s | 集成学习 + 树模型 | XGBoost、随机森林、GBDT |
| 深度学习期 | 2015s-至今 | 神经网络 + 大规模特征 | DNN、Transformer、图神经网络 |
关键认知： 信用评分卡并非被机器学习模型取代，而是从"手工卡"进化为"模型卡"。现代风控体系通常将传统评分卡的可解释性与机器学习的高精度结合使用。
1.2 PD模型在风控中的核心作用
PD（Probability of Default，违约概率）模型是信用风险量化的核心引擎。在巴塞尔协议框架下，PD是计算预期损失（EL）和风险加权资产（RWA）的基础参数。
- 预期损失公式： EL = PD × LGD × EAD
- 风险定价： 根据PD水平差异化设定利率和额度
- 授信决策： 设定PD阈值，决定"通过/拒绝/人工审核"
- 贷后监控： 动态跟踪PD变化，触发预警和催收策略
- 资本计量： 内部评级法（IRB）下，PD直接决定资本占用
实战要点： 在Serving阶段，PD模型需要满足高吞吐、低延迟、可解释、可监控四大要求。模型上线不是终点，而是持续监控和迭代的起点。
1.3 评分卡与PD模型的区别与联系
许多从业者容易混淆"评分卡"和"PD模型"这两个概念。实际上，它们是同一风控体系的不同表达层次。
| 对比维度 | 传统评分卡 | PD模型 |
|---|---|---|
| 输出形式 | 整数分数（如300-850分） | 概率值（0-1之间） |
| 建模方法 | 逻辑回归 + 评分卡转换公式 | 逻辑回归、树模型、神经网络等 |
| 可解释性 | 高（每个变量有明确分值） | 中-高（依赖SHAP等解释工具） |
| 监管合规 | 巴塞尔协议标准方法 | 内部评级法（IRB） |
| 更新频率 | 低（通常1-2年） | 高（可月度/季度迭代） |
| 适用场景 | 标准化产品、监管报送 | 差异化定价、实时决策 |
常见误区： 评分卡和PD模型不是二选一的关系。在实际Serving架构中，通常将PD模型输出的概率值通过评分卡转换公式映射为整数分数，既满足监管报送要求，又保留机器学习模型的精度优势。
1.4 从评分卡到PD模型的演进逻辑
理解两者的演进关系，有助于设计合理的Serving架构：
- 第一阶段：纯评分卡时代 — 使用逻辑回归+WOE编码，手工构建评分卡，可解释性强但精度有限。
- 第二阶段：评分卡+PD模型并存 — 使用机器学习模型提升精度，同时保留评分卡输出用于监管报送。
- 第三阶段：PD模型驱动评分卡 — 机器学习模型作为主引擎，评分卡作为模型输出的业务映射层。
本课程实战定位： 我们将聚焦第三阶段——如何将训练好的PD模型（XGBoost/LightGBM）部署为Serving服务，并实时输出评分卡分数，同时满足毫秒级响应、高并发、可解释、可监控的生产环境要求。