4. 传统评分卡模型：逻辑回归评分卡原理、WOE与IV计算、评分卡刻度与分数映射

传统评分卡模型是金融风控领域最经典、可解释性最强的信用评估工具。其核心思想是通过逻辑回归建立借款人特征与违约概率之间的映射关系，再通过评分卡刻度将概率转换为整数分数，便于业务人员直接使用。本章将深入讲解逻辑回归评分卡的三大支柱：WOE与IV的理论与计算、逻辑回归建模原理、以及评分卡刻度与分数映射方法。

4.1 逻辑回归评分卡原理

逻辑回归（Logistic Regression）是一种广义线性模型，通过Sigmoid函数将线性组合的输出映射到(0,1)区间，表示违约概率。评分卡模型在此基础上，将逻辑回归的系数与WOE转换后的特征结合，构建出可加性的分数公式。

逻辑回归评分卡的建模流程通常包含以下步骤：

1. 数据预处理与分箱：对连续变量进行分箱（如等频、等距、最优分箱），对分类变量进行合并。
2. WOE编码：将每个分箱替换为该箱的WOE值，实现特征与违约概率的单调性对齐。
3. 逻辑回归训练：以WOE值为输入，训练逻辑回归模型，得到各特征的系数。
4. 评分卡刻度：设定基准分、PDO（Point of Double Odds，比率翻倍所需分数），将系数转换为分数。
5. 分数映射与验证：生成最终评分卡，并验证区分度（KS、AUC）与稳定性（PSI）。

4.2 WOE与IV计算

WOE（Weight of Evidence，证据权重）衡量每个分箱中好客户与坏客户的分布差异。WOE值越大，表示该分箱的违约风险越低。IV（Information Value，信息量）则衡量特征整体对违约状态的区分能力。

4.2.1 WOE计算公式

WOE_i = ln( (Bad_i / Bad_total) / (Good_i / Good_total) )

其中：
- Bad_i  = 第i个分箱中的坏客户数
- Bad_total = 全部坏客户数
- Good_i = 第i个分箱中的好客户数
- Good_total = 全部好客户数

4.2.2 IV计算公式与判断标准

IV = Σ ( (Bad_i/Bad_total - Good_i/Good_total) × WOE_i )

IV值用于评估特征预测能力，业界常用判断标准如下：

4.2.3 WOE与IV计算示例

以“年龄”特征为例，假设分箱为3组，计算WOE与IV：

该示例中年龄特征的IV为0.104，属于中等预测能力。

4.3 评分卡刻度与分数映射

评分卡刻度是将逻辑回归输出的违约概率转换为整数分数的过程。核心参数包括：

• 基准分（Base Score）：当所有特征WOE为0时的基础分数。
• PDO（Point of Double Odds）：比率（坏:好）翻倍时分数减少的数值。例如PDO=20表示比率每翻一倍，分数降低20分。
• 目标比率（Target Odds）：基准分对应的比率值，通常设为1:1或1:10。

4.3.1 分数映射公式推导

设逻辑回归模型为：

ln(Odds) = β₀ + β₁×WOE₁ + β₂×WOE₂ + ... + βₙ×WOEₙ

评分卡分数与Odds的关系为：

Score = A - B × ln(Odds)

其中：
- A = 基准分 + B × ln(目标比率)
- B = PDO / ln(2)
- 基准分 = A - B × ln(目标比率)

最终每个特征分箱的分数为：

Score_i = - (β_i × WOE_i + (β₀ / n)) × B + (A / n)

其中n为特征数量，β₀为截距项。

4.3.2 评分卡刻度示例

假设设定：基准分=600，PDO=20，目标比率=1:1（即Odds=1）。

若某客户的特征WOE组合计算得到ln(Odds) = -0.5，则：

Score = 600 - 28.85 × (-0.5) = 600 + 14.425 ≈ 614

该客户评分为614分，高于基准分，表示风险较低。

4.3.3 评分卡输出格式

最终评分卡以表格形式呈现，每个特征每个分箱对应一个分数：

4.4 传统评分卡的优势与局限