2、信用评分模型基础：评分卡原理、常用算法与评估指标

信用评分模型是量化借款人违约风险的核心工具，其输出结果（评分）直接用于信贷审批、额度定价与贷后管理。本节将系统梳理评分卡的基本原理、主流建模算法以及业界通用的模型评估指标，为后续A/B测试效果评估奠定理论基础。

2.1 评分卡原理

评分卡（Scorecard）将模型预测的概率转换为整数分数，便于业务人员直接使用。其核心公式为：

Score = Offset + Factor × ln(odds)

其中：
- odds = p/(1-p)，p为违约概率
- Offset（偏移量）与Factor（刻度因子）由业务预设的基准分与翻倍分值决定

标准评分卡通常包含三个层级：

• 申请评分卡（Application Scorecard）：用于新客户准入，特征以征信报告、申请表信息为主。
• 行为评分卡（Behavior Scorecard）：用于存量客户管理，特征包含还款记录、交易行为等。
• 催收评分卡（Collection Scorecard）：用于逾期客户催收策略，特征包含逾期天数、联系状态等。

2.2 常用算法

2.2.1 逻辑回归（Logistic Regression）

逻辑回归是评分卡建模的经典算法，其输出为违约概率p：

p = 1 / (1 + e^(-z))
z = β₀ + β₁x₁ + β₂x₂ + ... + βₙxₙ

逻辑回归在评分卡中的优势：

• 可解释性强：系数β直接反映特征对违约概率的影响方向与强度。
• 训练速度快：适合大规模样本场景。
• 概率校准好：输出天然为概率值，无需额外校准。

2.2.2 XGBoost

XGBoost是基于梯度提升框架的集成学习算法，在信用评分领域表现优异：

• 自动处理缺失值：无需额外填充。
• 特征交互：树模型自动捕捉特征间的高阶交互关系。
• 正则化：内置L1/L2正则化，防止过拟合。

两种算法的对比：

2.3 模型评估指标

信用评分模型的评估需从区分能力、排序能力与稳定性三个维度展开。以下为三个核心指标：

2.3.1 KS（Kolmogorov-Smirnov）统计量

KS衡量模型区分好客户与坏客户的最大能力：

KS = max(累计好客户占比 - 累计坏客户占比)

取值范围：[0, 1]
业界标准：
- KS < 0.2：模型区分能力弱
- 0.2 ≤ KS < 0.4：模型可用
- 0.4 ≤ KS < 0.6：模型优秀
- KS ≥ 0.6：可能存在过拟合

2.3.2 AUC（Area Under the ROC Curve）

AUC是ROC曲线下的面积，反映模型对正负样本的排序能力：

• AUC = 0.5：模型无区分能力（随机猜测）。
• 0.7 ≤ AUC < 0.8：模型可接受。
• 0.8 ≤ AUC < 0.9：模型优秀。
• AUC ≥ 0.9：模型可能过拟合。

2.3.3 Gini系数

Gini系数与AUC存在线性关系：

Gini = 2 × AUC - 1

取值范围：[0, 1]
- Gini = 0：模型无区分能力
- Gini = 1：模型完美区分

2.4 模型评估综合表格