1. 风控模型概述
1.1 信贷风控的核心逻辑
信贷风控的本质是在收益与风险之间寻找最优平衡。金融机构通过评估借款人的还款意愿和还款能力，决定是否授信、授信额度及利率水平。核心逻辑围绕以下三个关键问题展开：
- 准入（Who）：借款人是谁？能否通过反欺诈和合规审查？
- 额度（How Much）：在可接受的风险范围内，应该给予多少授信？
- 定价（At What Price）：风险溢价如何计算？利率能否覆盖预期损失？
核心公式： 预期损失（EL）= 违约概率（PD）× 违约损失率（LGD）× 违约风险暴露（EAD）
信贷风控的完整生命周期通常包括贷前、贷中、贷后三个阶段，每个阶段都有对应的模型与策略：
| 阶段 | 核心任务 | 常用模型/方法 |
|---|---|---|
| 贷前 | 反欺诈、准入审批、初始额度 | 申请评分卡（A卡）、反欺诈规则引擎 |
| 贷中 | 行为监控、额度调整、预警 | 行为评分卡（B卡）、交易异常检测 |
| 贷后 | 催收管理、损失回收 | 催收评分卡（C卡）、失联修复模型 |
1.2 评分卡模型与机器学习模型的对比
传统评分卡模型（如逻辑回归评分卡）与机器学习模型（如XGBoost、随机森林）在风控应用中各有优劣。以下从多个维度进行对比：
| 对比维度 | 传统评分卡（逻辑回归） | 机器学习模型（XGBoost） |
|---|---|---|
| 可解释性 | 高，权重与WOE转换直观 | 较低，需借助SHAP等工具 |
| 特征工程 | 依赖人工分箱与WOE编码 | 自动处理非线性与交互特征 |
| 预测精度 | 中等，线性假设限制 | 高，能捕捉复杂模式 |
| 训练效率 | 快，计算量小 | 较慢，需调参 |
| 过拟合风险 | 低，正则化简单 | 较高，需早停与正则化 |
| 监管合规 | 易通过，理由充分 | 需额外解释性报告 |
实践建议： 在强监管场景（如银行核心信贷）中，评分卡仍是主流；在互联网消费金融、高维数据场景中，XGBoost等机器学习模型能显著提升区分度。
1.3 XGBoost在风控中的优势
XGBoost（eXtreme Gradient Boosting）在信贷风控领域迅速普及，主要得益于以下核心优势：
- 高预测精度：通过梯度提升框架与二阶泰勒展开，XGBoost能有效捕捉特征间的非线性关系和交互效应，在AUC、KS等风控指标上通常优于逻辑回归和传统树模型。
- 内置正则化：L1（Lasso）和L2（Ridge）正则化项有效控制模型复杂度，降低过拟合风险，这在样本量有限的信贷数据中尤为重要。
- 缺失值自动处理：XGBoost能自动学习缺失值的最佳分裂方向，无需额外插补，减少特征工程工作量。
- 特征重要性评估：提供多种特征重要性指标（weight、gain、cover），帮助风控专家快速识别关键风险因子。
- 工程优化：支持并行计算、缓存感知访问、分块压缩，在大规模信贷数据集上训练效率远高于传统GBDT。
注意： XGBoost虽然强大，但在风控落地时仍需关注模型可解释性。建议配合SHAP或LIME进行局部解释，以满足监管合规要求。