3. 信用评分模型开发回顾：常用算法、特征工程与验证流程

在进入模型部署（Serving）阶段之前，有必要系统回顾信用评分模型的经典开发流程。本章聚焦于常用算法、特征工程要点以及模型训练与验证流程，为后续的模型打包、API 封装与性能监控奠定基础。

3.1 常用算法对比

信用评分模型的核心任务是根据用户的历史行为数据，预测其违约概率（PD）。业界主流算法包括逻辑回归、XGBoost 和 LightGBM，三者在可解释性、训练效率与非线性拟合能力上各有侧重。

算法 核心特点 可解释性 训练速度 适用场景
逻辑回归 线性决策边界 + Sigmoid 映射 高（权重可直接解释） 快 强监管场景、需要明确评分卡
XGBoost 梯度提升树 + 二阶泰勒展开 中（SHAP / 特征重要性） 中等 高精度要求、特征交互复杂
LightGBM 基于直方图的决策树 + GOSS 中（SHAP / 特征重要性） 快（大数据集优势明显） 海量数据、低延迟推理
选型建议：在金融合规场景下，逻辑回归仍是主流；若追求更高区分度（KS / AUC），可选用 XGBoost 或 LightGBM，并配合 SHAP 进行事后解释。

3.2 特征工程要点

特征工程直接影响模型的上限。信用评分场景下，特征工程需重点关注以下环节：

  • 缺失值处理：连续变量使用中位数或均值填充；离散变量使用众数或单独“未知”类别。
  • 异常值截断：对收入、负债比等变量，按 1% 和 99% 分位数进行 Winsorize 处理。
  • WOE 编码：针对逻辑回归模型，将连续变量分箱后转换为 WOE（Weight of Evidence），保持与违约概率的单调关系。
  • 时间切片特征：提取近 3 个月、6 个月、12 个月的逾期次数、额度使用率等滑动窗口统计量。
  • 交叉特征：如“收入 / 负债比”、“近 3 个月查询次数 × 信贷产品数”。
关键原则：训练集与验证集的特征工程参数（如分箱边界、填充值、截断阈值）必须保持一致，避免数据泄露。
特征工程处理流程 原始数据 缺失值处理 异常值截断 WOE 编码 时间切片特征 交叉特征 最终特征集

3.3 模型训练与验证流程

标准流程包含数据划分、训练、超参数调优与多维度评估。以下为典型步骤：

  1. 数据划分：按时间顺序（而非随机）划分训练集（60%）、验证集（20%）、测试集（20%），避免未来信息泄露。
  2. 基准模型训练：使用逻辑回归建立基线，记录 AUC 与 KS。
  3. 超参数调优：对 XGBoost / LightGBM 使用网格搜索或贝叶斯优化，调节 n_estimators、max_depth、learning_rate 等参数。
  4. 模型评估：计算 KS 统计量、AUC、Gini 系数、PSI（群体稳定性指标）。
  5. 阈值选择：根据业务风险偏好，在验证集上选择最优概率阈值（如最大化 F1 或最小化坏账率）。
注意：信用评分模型必须通过 时间外验证（OOT） 和 跨时间稳定性测试，确保模型在未来的样本上依然有效。
模型训练与验证流程 数据划分 基准模型训练 超参数调优 模型评估 阈值选择 模型部署

3.4 模型验证关键指标

在信用评分场景中，以下指标是评估模型是否可上线的重要依据：

指标 计算公式 / 说明 合格标准
KS 好坏样本累计分布的最大差值 ≥ 0.3
AUC ROC 曲线下面积 ≥ 0.75
Gini 2 × AUC - 1 ≥ 0.5
PSI 群体稳定性指标，衡量分数分布偏移 < 0.1
部署前检查清单：确保模型在 OOT 样本上 KS 下降不超过 20%，PSI 小于 0.1，且各分数段坏账率单调递增。
← 上一章 📖 返回目录 下一章 →