1. 风险评分概述
1.1 商户风险评分的定义
商户风险评分（Merchant Risk Score）是一个量化指标，用于评估商户在交易过程中可能给支付平台或金融机构带来的潜在损失概率。该评分通常基于商户的历史交易行为、经营特征、行业属性等多维数据，通过统计模型或机器学习算法计算得出。
核心定义：商户风险评分 = f(商户静态特征, 交易动态行为, 外部关联数据) → [0, 1000] 区间内的风险分值，分值越高代表风险越大。
与个人信贷评分不同，商户风险评分关注的是 交易欺诈风险、合规风险 和 信用违约风险 三个维度。下表展示了三类风险的核心差异：
| 风险类型 | 关注点 | 典型特征 | 评分权重 |
|---|---|---|---|
| 交易欺诈风险 | 虚假交易、盗卡交易、洗钱 | 交易金额异常、IP 地址频繁变更、退款率突增 | 40% - 50% |
| 合规风险 | 经营资质、行业准入、反洗钱 | 证照过期、经营类目敏感、频繁变更法人 | 25% - 35% |
| 信用违约风险 | 结算逾期、坏账、保证金不足 | 历史逾期记录、资金流水波动大、负债率高 | 15% - 25% |
1.2 在风控体系中的定位
商户风险评分在风控体系中处于 事中监控 与 事后评估 的衔接位置，是连接 规则引擎 与 策略决策 的核心枢纽。其定位可概括为以下三层：
- 第一道防线：在商户入驻审核阶段，风险评分用于准入决策，筛选高风险商户进入人工审核队列。
- 第二道防线：在交易实时监控中，评分作为动态调整交易限额、结算周期、保证金比例的参考依据。
- 第三道防线：在定期巡检与存量管理中，评分变化触发预警，驱动商户风险等级调整或清退流程。
实践要点：风险评分不应孤立使用，需与规则引擎中的硬性规则（如黑名单、行业禁入）形成互补。评分侧重“概率预测”，规则侧重“确定性拦截”，两者结合才能构建完整的商户风控闭环。
下图展示了商户风险评分在风控体系中的位置与数据流转关系：
1.3 评分卡模型的基本原理
评分卡模型（Scorecard Model）是商户风险评分中最经典、可解释性最强的建模方法。其核心思想是将连续变量通过 分箱（Binning） 和 证据权重（Weight of Evidence, WoE） 转换，转化为离散的分数贡献，最终累加得到总分。
1.3.1 建模流程
- 数据准备：收集商户样本，定义好坏商户（Good/Bad），通常以逾期 30 天以上或确认欺诈为 Bad 样本。
- 特征分箱：对连续变量（如月交易额）进行等频或最优分箱，对分类变量合并稀疏类别。
- WoE 编码：计算每个分箱的 WoE 值，公式为：
WoE = ln( (Bad_i / Bad_total) / (Good_i / Good_total) ) - IV 筛选：计算信息量（Information Value, IV），筛选 IV > 0.02 的特征进入模型。
- 逻辑回归建模：以 WoE 值为输入，拟合逻辑回归模型，得到各特征的回归系数。
- 分数映射：将回归系数转换为分数，设定基准分（如 600 分）和每翻一倍 odds 对应的分数变化（PDO）。
常见误区：分箱数量不宜过多（建议 3-5 箱），否则会导致过拟合；WoE 值应呈现单调性，若出现 U 型或倒 U 型，需重新调整分箱边界。
1.3.2 评分卡分数计算示例
假设某商户的特征分箱及对应分数如下表所示：
| 特征 | 分箱区间 | WoE 值 | 回归系数 | 分数贡献 |
|---|---|---|---|---|
| 月交易额 | [0, 10万) | 0.85 | 0.50 | 42 |
| 月交易额 | [10万, 50万) | 0.32 | 0.50 | 16 |
| 月交易额 | [50万, +∞) | -0.45 | 0.50 | -22 |
| 经营时长 | [0, 1年) | 1.20 | 0.30 | 36 |
| 经营时长 | [1年, 3年) | 0.10 | 0.30 | 3 |
| 经营时长 | [3年, +∞) | -0.80 | 0.30 | -24 |
该商户的最终评分 = 基准分 600 + 各特征分数贡献之和。若月交易额在 [10万, 50万) 且经营时长在 [1年, 3年)，则评分为 600 + 16 + 3 = 619 分。
1.3.3 评分卡的优势与局限
- 优势：可解释性强，每个分数贡献可追溯至具体特征分箱；监管合规性好，适合向业务方和监管机构解释模型逻辑。
- 局限：对非线性关系捕捉能力弱；分箱过程依赖人工经验；无法直接处理高维稀疏特征。
下图展示了评分卡模型从原始特征到最终分数的完整转换流程：