1. 课程导论：额度模型与评分卡的基本概念、联合评分方法的背景与价值
1.1 额度模型与评分卡的基本概念
在信贷风控体系中，评分卡与额度模型是两大核心决策工具，分别解决“是否放贷”与“放多少”的问题。两者在数据源、建模目标、输出形式上存在本质差异，但在实际业务中又紧密耦合。
| 维度 | 评分卡（Scorecard） | 额度模型（Limit Model） |
|---|---|---|
| 核心目标 | 预测违约概率（PD） | 预测最优授信额度 |
| 输出形式 | 分数（如 300-850） | 金额（如 5,000-200,000） |
| 建模方法 | 逻辑回归（LR）、XGBoost | 线性回归、分位数回归、XGBoost |
| 业务决策 | 通过/拒绝、利率定价 | 授信额度、提额策略 |
| 监管要求 | 高可解释性（如监管审计） | 可解释性要求相对较低 |
关键认知： 传统风控中，评分卡与额度模型独立开发、串行决策，导致信息割裂。例如，一个高评分客户可能因收入波动被授予过低额度，造成优质客户流失。
1.2 联合评分方法的背景与价值
随着金融科技的发展，单一模型已无法满足精细化风控需求。联合评分方法（Joint Scoring Approach）应运而生，其核心思想是将评分卡与额度模型融合为一个协同决策框架。
背景驱动因素
- 数据维度爆炸： 传统评分卡仅使用 10-20 个特征，而 XGBoost 可处理数百维特征，捕捉非线性交互。
- 业务效率瓶颈： 串行决策流程（先评分、后定额）导致审批延迟，联合评分可实现端到端实时决策。
- 风险-收益平衡： 独立模型无法同时优化违约损失（LGD）与客户生命周期价值（CLV）。
核心价值
| 价值维度 | 传统独立模型 | 联合评分方法 |
|---|---|---|
| 决策一致性 | 评分与额度可能矛盾 | 统一目标函数，决策自洽 |
| 模型性能 | AUC 0.70-0.75 | AUC 0.80-0.88（提升 10-15%） |
| 开发周期 | 2-3 个月（独立开发） | 3-4 周（联合训练） |
| 监管适配 | 评分卡可解释，额度模型黑箱 | SHAP + 评分卡双轨解释 |
实践案例： 某头部消费金融公司采用 XGBoost 联合评分后，在保持坏账率不变的前提下，优质客户授信额度提升 22%，首笔借款转化率提高 18%。
1.3 课程整体架构与学习目标
本课程共 30 章，分为四大模块，从理论到实战，覆盖联合评分方法的完整生命周期。
学习目标矩阵
| 层级 | 目标描述 | 对应章节 |
|---|---|---|
| L1 理解 | 掌握评分卡、额度模型、XGBoost 的核心原理与差异 | 第 1-6 章 |
| L2 应用 | 独立完成特征工程、WOE 编码、XGBoost 联合训练 | 第 7-14 章 |
| L3 评估 | 使用 AUC/KS/SHAP 评估模型，并转换为可解释评分卡 | 第 15-22 章 |
| L4 实战 | 端到端部署联合评分系统，包含监控与迭代策略 | 第 23-30 章 |
⚠️ 前置要求： 建议学员具备基础的 Python 编程能力（pandas、sklearn）以及基本的统计学知识（逻辑回归、决策树）。本课程不涉及深度学习，但会大量使用 XGBoost 的 Python API。