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历史数据与统计学习方法的定量分析工具，用于评估借款人或企业在未来特定期限内发生违约、逾期或其他信用风险事件的概率。其核心输出通常表现为一个数值分数或风险等级，分数越高代表信用风险越低。
核心公式（逻辑回归形式）：
log(odds) = β₀ + β₁X₁ + β₂X₂ + ... + βₙXₙ
Score = Offset + Factor × log(odds)其中 odds = p/(1-p)，p 为违约概率；Offset 和 Factor 用于将线性预测值映射到整数分数区间（如 300-850）。
1.2 主要应用场景
信用评分模型在金融信贷业务中贯穿多个核心环节，以下为两个最典型的应用场景：
| 应用场景 | 核心目标 | 典型决策 | 常用模型类型 |
|---|---|---|---|
| 信贷审批 | 准入控制，拒绝高风险申请 | 通过 / 拒绝 / 人工审核 | 申请评分卡 (Application Scorecard) |
| 额度管理 | 差异化授信，平衡收益与风险 | 初始额度 / 额度调整 / 降额 | 行为评分卡 (Behavior Scorecard) |
场景说明： 信贷审批场景中，模型通常在客户提交申请后实时调用，决策时间要求 < 3 秒；额度管理场景则多采用批量或准实时方式，结合客户近 6-12 个月的行为数据进行动态调整。
1.3 模型生命周期简介
一个完整的信用评分模型从开发到退役通常经历以下六个阶段，形成闭环管理流程：
- 需求定义与数据采集 — 明确业务目标（如降低坏账率 20%），确定建模样本与数据源。
- 特征工程与模型开发 — 变量筛选、WOE 编码、逻辑回归 / 树模型训练。
- 模型验证与评审 — 区分度（KS / AUC）、稳定性（PSI）、业务合理性检查。
- 模型部署与 Serving — 将模型封装为 API 或批处理脚本，接入生产系统。
- 回放验证与监控 — 使用线上真实数据回放模型输出，对比预期分数分布与决策效果。
- 模型迭代与退役 — 当模型性能衰减或业务策略变更时，启动版本升级或下线。
1.4 模型 Serving 与回放验证的定位
在模型生命周期中，Serving（服务化部署） 与 回放验证 是连接开发与生产的关键桥梁。Serving 负责将模型以 API 或批处理方式接入业务系统，而回放验证则通过历史或实时数据对模型输出进行事后校验，确保线上模型表现与开发阶段预期一致。
常见误区： 许多团队只关注模型开发阶段的 AUC/KS 指标，却忽略了上线后的回放验证。实际案例表明，因特征漂移或数据管道错误导致线上模型性能下降 30% 以上的情况并不罕见。回放验证是发现此类问题的第一道防线。
1.5 本章小结
- 信用评分模型 是量化信用风险的核心工具，输出分数或概率用于辅助决策。
- 信贷审批 与 额度管理 是两大主要应用场景，分别对应申请评分卡与行为评分卡。
- 模型生命周期包含 6 个阶段，其中 Serving 与回放验证是确保线上模型质量的关键环节。
- 本课程后续章节将深入讲解回放验证的数据准备、指标计算、异常检测与自动化报告实现。