反欺诈评分接口团伙识别实战教程 - 第3节

3.1 评分卡概念与业务定位

评分卡（Scorecard）是金融风控中最成熟、最可解释的量化决策工具。它将申请人的违约概率映射为一个整数分数，业务人员无需理解复杂模型即可直接使用。在反欺诈场景中，评分卡通常作为第一道防线，快速区分“明显好”与“明显坏”的客户。

3.1.1 评分卡的核心要素

3.2 逻辑回归原理

逻辑回归（Logistic Regression）是评分卡最常用的底层模型。它通过 Sigmoid 函数将线性回归的输出压缩到 [0,1] 区间，输出即为违约概率。

3.2.1 模型形式

设特征向量为 X = (x₁, x₂, …, xₙ)，权重为 β = (β₀, β₁, …, βₙ)，则违约概率 P(y=1|X) 为：

P = 1 / (1 + e^(-z))
z = β₀ + β₁·x₁ + β₂·x₂ + … + βₙ·xₙ

其中 β₀ 为截距项，βᵢ 为第 i 个特征的权重。模型通过最大似然估计（MLE）求解最优 β。

3.2.2 从概率到分数

评分卡将概率 P 转换为分数 Score，转换公式为：

Score = A - B · ln(P / (1 - P))

其中：
- P / (1-P) 为 odds（好坏比）
- A 为基准分数（当 odds = 1 时的分数）
- B 为刻度因子（每增加一个单位 ln(odds) 对应的分数变化）

实际应用中，通常设定两个业务锚点：

• 锚点 1：当 odds = 1:1 时，Score = 600
• 锚点 2：当 odds 翻倍时，Score 增加 20 分（PDO = 20）

代入公式可解出 A 和 B：

B = 20 / ln(2) ≈ 28.85
A = 600 + 28.85 · ln(1) = 600

3.3 WOE 与 IV 值计算

WOE（Weight of Evidence，证据权重）和 IV（Information Value，信息量）是评分卡特征工程的核心工具。WOE 用于编码特征，IV 用于衡量特征预测能力。

3.3.1 WOE 定义与计算

对于分箱后的第 i 个分组，WOE 定义为：

WOEᵢ = ln( 好客户占比 / 坏客户占比 )
      = ln( (Goodᵢ / Good_total) / (Badᵢ / Bad_total) )

WOE 的含义：

• WOE > 0：该组好客户比例高于坏客户，风险较低
• WOE < 0：该组坏客户比例高于好客户，风险较高
• WOE = 0：该组好坏比例与整体一致，无区分能力

3.3.2 IV 定义与计算

IV 是 WOE 的加权和，衡量特征整体区分能力：

IV = Σ ( (Goodᵢ/Good_total) - (Badᵢ/Bad_total) ) · WOEᵢ

IV 值评估标准：

3.3.3 计算示例

以“注册时长”特征为例，分箱后数据如下：

该特征 IV = 0.898，属于极强预测能力，但需检查是否包含未来信息（如注册时长与逾期时间存在时间重叠）。

3.4 评分卡开发流程

从原始数据到上线评分卡，通常包含以下步骤：

1. 数据准备：清洗、去重、时间窗口对齐
2. 特征分箱：等距、等频、决策树分箱
3. WOE 编码：将原始特征值替换为 WOE 值
4. IV 筛选：删除 IV < 0.02 的特征，保留 IV > 0.10 的特征
5. 逻辑回归训练：以 WOE 值为输入，拟合违约概率
6. 分数转换：设定锚点，将概率映射为整数分数
7. 验证与校准：KS、AUC、PSI 监测
8. 上线部署：封装为 API，对接决策引擎

3.5 反欺诈评分卡的特殊设计

与信用评分卡不同，反欺诈评分卡需要额外关注以下设计要点：

• 时间敏感性：欺诈模式变化快，评分卡需定期重训（通常每月或每季度）
• 特征时效性：使用近期行为特征（如过去 1 小时登录次数）而非长期信用特征
• 团伙特征：加入设备指纹、IP 关联、社交网络密度等团伙识别变量
• 拒绝推断：历史被拒绝样本的坏标签未知，需通过半监督或迁移学习补充
• 分数解释：反欺诈评分卡通常输出“欺诈概率”而非“违约概率”，分数越高欺诈风险越低