1. 信用评分模型概述
1.1 信用评分卡的定义
信用评分卡（Credit Scorecard）是金融风控领域最经典、最成熟的量化决策工具。它将借款人的多维特征（收入、负债、历史还款行为等）通过统计模型转化为一个可比较的分数，用以预测借款人未来发生违约的概率。评分卡的核心输出是一个整数分数，分数越高代表信用风险越低。
核心公式： 信用评分 = 基准分 + Σ(各特征分箱对应的权重分值)
评分卡通常以表格形式呈现，每个特征被划分为若干区间（分箱），每个区间对应一个分值。审批人员只需将客户信息代入表格，累加各特征分值即可得到最终评分，操作透明、可解释性强。
1.2 发展历史
信用评分卡的发展经历了从人工经验到数据驱动的演进过程，主要里程碑如下：
| 时期 | 关键事件 | 技术特征 |
|---|---|---|
| 1950s | Bill Fair 和 Earl Isaac 创立 FICO 公司 | 首次将统计评分引入消费信贷决策 |
| 1960s-1970s | 逻辑回归模型在银行信贷中普及 | 从人工判断转向统计模型，可解释性高 |
| 1980s-1990s | FICO 评分成为美国行业标准 | 大规模征信数据应用，评分卡工业化 |
| 2000s-2010s | 巴塞尔协议推动内部评级法 | 评分卡与资本计量、监管合规深度绑定 |
| 2015-至今 | 机器学习评分卡与 A/B 测试兴起 | XGBoost、深度学习辅助，在线实验验证模型效果 |
行业共识： 尽管深度学习模型在部分场景表现更优，但逻辑回归评分卡因其可解释性、监管合规性、稳定性，至今仍是银行核心信贷业务的首选方案。
1.3 在金融风控中的核心价值
信用评分卡在金融风控体系中扮演着"守门人"角色，其核心价值体现在以下四个维度：
- 标准化决策： 消除人工审批的主观偏差，确保同一风险等级的客户获得一致的审批结果。
- 风险定价： 根据评分等级差异化设定利率、额度、期限，实现风险与收益的匹配。
- 监管合规： 提供可追溯、可解释的决策依据，满足巴塞尔协议、央行征信管理等监管要求。
- 效率提升： 自动化审批流程将决策时间从数天缩短至秒级，大幅降低运营成本。
1.4 评分卡 vs 机器学习模型：对比分析
在实际业务中，评分卡并非唯一选择。下表对比了传统评分卡与主流机器学习模型在关键维度上的差异：
| 对比维度 | 传统评分卡（逻辑回归） | 机器学习模型（XGBoost/神经网络） |
|---|---|---|
| 可解释性 | 高（每个分箱权重透明） | 低（需依赖 SHAP/LIME 等工具） |
| 监管合规 | 强（巴塞尔协议直接认可） | 弱（部分监管机构要求解释性报告） |
| 非线性拟合 | 弱（需手动特征工程） | 强（自动捕捉复杂交互） |
| 数据需求 | 中等（万级样本即可） | 高（通常需十万级以上） |
| 稳定性 | 高（PSI 监控成熟） | 中（易受分布漂移影响） |
| 部署成本 | 低（Excel 即可计算） | 高（需模型服务与监控平台） |
选型建议： 对于零售信贷、信用卡、房贷等强监管业务，优先选择传统评分卡；对于反欺诈、小额现金贷等追求极致区分度的场景，可引入机器学习模型作为补充，但需配套 A/B 测试验证效果。
1.5 本课程的学习路径
本课程将围绕信用评分模型的开发、验证、A/B 测试与 SQL 实现展开，帮助学员掌握从理论到落地的完整技能链：
- 评分卡理论基础： 逻辑回归、WOE/IV 编码、评分刻度转换
- SQL 特征工程： 使用 SQL 完成数据清洗、特征分箱、聚合计算
- 模型验证指标： KS、AUC、Gini、PSI 的 SQL 实现
- A/B 测试框架： 分流设计、假设检验、效果评估
- 生产级部署： 评分卡上线、监控看板、模型回退策略
学习建议： 每章均配有可运行的 SQL 脚本和模拟数据集，建议学员在本地数据库环境中同步练习，以加深对评分卡全流程的理解。