信用评分模型对照实验PD模型应用实践 - 第1节
1.1 信用评分模型的定义
信用评分模型（Credit Scoring Model）是一种基于历史数据与统计方法，对借款人或授信对象的违约风险进行量化评估的数学工具。其核心输出是一个数值——信用评分，该分数直接反映申请人在未来特定时间窗口内发生逾期、违约或坏账的概率。
定义要点：
- 输入：申请人的人口统计学特征、征信记录、交易行为、多头借贷等结构化数据。
- 输出：连续型评分（如300-850分）或离散型等级（如A/B/C/D）。
- 本质：将违约概率（PD, Probability of Default）映射为可排序、可比较的分数。
信用评分模型与传统的专家规则（如5C原则：Character、Capacity、Capital、Collateral、Conditions）相比，具有客观、一致、可重复、可大规模部署的显著优势。
1.2 发展历史
信用评分模型的发展经历了从经验判断到数据驱动、从线性模型到复杂算法的演进过程。下表梳理了关键里程碑：
| 时期 | 标志性事件 | 核心方法 | 局限性 |
|---|---|---|---|
| 1950s | Bill Fair 和 Earl Isaac 创立 FICO 公司 | 手工统计 + 线性判别分析 | 计算能力弱，样本量小 |
| 1970s-1980s | 逻辑回归（Logistic Regression）成为行业标准 | 逻辑回归 + 评分卡（Scorecard） | 线性假设，难以捕捉非线性交互 |
| 1990s-2000s | 巴塞尔协议II 推动内部评级法（IRB） | 决策树、随机森林、GBDT 兴起 | 模型可解释性下降 |
| 2010s-至今 | 大数据 + 机器学习 + 替代数据 | XGBoost、LightGBM、深度学习 | 监管合规、公平性、可解释性挑战 |
行业共识：尽管深度学习在部分场景表现优异，但逻辑回归评分卡因其强可解释性和监管友好性，至今仍是银行信贷审批的主流选择。本课程后续的对照实验将重点对比逻辑回归与树模型的PD预测效果。
1.3 信用评分模型在金融风控中的核心价值
信用评分模型是现代金融风控体系的基石，其核心价值体现在以下四个维度：
- 自动化决策：将人工审批流程转化为秒级响应的自动化系统，大幅降低运营成本。
- 风险量化与分层：将抽象的“信用风险”转化为可排序的分数，实现精准的风险定价与额度管理。
- 一致性校准：消除不同审批人员的主观偏差，确保同一风险水平的客户获得相同决策。
- 监管合规：满足巴塞尔协议、央行征信管理办法等监管要求，提供可追溯、可验证的风险计量依据。
下图展示了信用评分模型在信贷全生命周期中的核心位置：
1.4 信用评分模型的核心指标
评估一个信用评分模型的好坏，通常从区分能力（Discrimination）、校准度（Calibration）、稳定性（Stability）三个维度进行衡量。下表列出了最常用的评估指标：
| 维度 | 指标 | 含义 | 理想范围 |
|---|---|---|---|
| 区分能力 | KS (Kolmogorov-Smirnov) | 好坏客户累计分布的最大差异 | > 0.3 |
| AUC (Area Under ROC Curve) | ROC曲线下面积，衡量排序能力 | > 0.75 | |
| 校准度 | Brier Score | 预测概率与真实标签的均方误差 | < 0.25 |
| 稳定性 | PSI (Population Stability Index) | 模型在时间维度上的分数分布偏移 | < 0.1 |
实践注意：很多初学者只关注AUC而忽略PSI。一个在训练集上AUC=0.85的模型，如果PSI超过0.25，说明模型在跨时间验证时已经失效，不能直接上线。本课程后续章节会专门演示PSI的监控与模型衰减处理。
1.5 信用评分模型与PD模型的关系
PD（Probability of Default，违约概率）是信用评分模型中最核心的中间变量。信用评分通常是对PD进行单调变换（如：Score = 600 + 50 × log(odds)）得到的。因此，构建信用评分模型本质上就是构建PD预测模型。
本课程《信用评分模型对照实验PD模型应用实践》将围绕PD预测这一核心任务，系统对比不同建模方法（逻辑回归 vs. XGBoost vs. 深度学习）在真实信贷数据集上的表现差异，帮助学员建立从理论到落地的完整认知。
课程路线图：
- 第1章：信用评分模型概述（本章）
- 第2-5章：数据清洗与特征工程
- 第6-10章：逻辑回归评分卡构建
- 第11-15章：树模型与集成方法
- 第16-20章：对照实验设计与结果分析
- 第21-25章：模型部署与监控
- 第26-30章：案例实战与总结