1. 信用评分模型概述
1.1 信用评分模型的定义
信用评分模型是一种量化风险评估工具，通过统计与机器学习方法，将借款人的历史行为、人口属性、财务特征等数据转化为一个数值分数，用以预测其在未来特定时间内的违约概率或信用表现。该分数是金融机构进行信贷审批、额度核定、利率定价、贷后管理等决策的核心依据。
核心公式表达：
Score = f(X₁, X₂, ..., Xₙ)X₁, X₂, ..., Xₙ 为预测变量（特征），f 为映射函数（逻辑回归、决策树、神经网络等），输出 Score 与违约概率呈反向关系——分数越高，违约风险越低。
1.2 发展历史
信用评分模型的发展经历了从专家经验到数据驱动、从规则卡到机器学习的演进过程。下表梳理了关键里程碑：
| 时期 | 代表方法 | 核心特征 | 局限性 |
|---|---|---|---|
| 1950s–1960s | 专家判断 + 5C 原则 | 依赖信贷员经验，主观性强 | 不一致、不可复制、效率低 |
| 1970s–1980s | 线性判别分析 / 逻辑回归 | 首次引入统计方法，可量化 | 线性假设强，特征工程粗糙 |
| 1990s–2000s | 决策树 / 评分卡 (Scorecard) | 可解释性强，行业标准成型 | 对非线性关系捕捉有限 |
| 2010s–至今 | XGBoost / 深度学习 / 集成模型 | 高精度、自动特征学习 | 可解释性下降，监管挑战 |
行业标准参考：FICO 评分（1958 年诞生）是全球最广泛使用的通用信用评分，其 300–850 分区间已成为行业基准。国内央行征信评分、百行征信评分等均沿用了类似框架。
1.3 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中枢神经，其核心价值体现在以下四个维度：
- 自动化决策：将人工审批从 3–5 天缩短至秒级响应，支撑大规模在线信贷业务。
- 一致性校准：消除信贷员主观偏差，确保同一风险水平的客户获得相同决策结果。
- 风险定价：基于分数差异化设定利率与额度，实现风险与收益的精细匹配。
- 监管合规：提供可追溯、可解释的量化依据，满足巴塞尔协议、央行征信管理等监管要求。
注意：信用评分模型并非万能。模型依赖历史数据，在经济周期切换、客群结构突变时可能出现性能衰减。因此，Champion 对照实验（即 Champion vs. Challenger 模型对比）是持续监控与迭代模型的关键手段，本课程后续章节将深入展开。
1.4 信用评分模型在风控流程中的位置
下图展示了信用评分模型在典型信贷风控全流程中的嵌入位置：
1.5 信用评分模型的分类
根据应用场景与数据来源，信用评分模型可划分为以下主要类型：
| 分类维度 | 模型类型 | 典型用途 | 数据来源 |
|---|---|---|---|
| 按应用阶段 | 申请评分 (Application Score) | 新客户准入审批 | 申请表、征信报告 |
| 行为评分 (Behavior Score) | 存量客户额度调整、催收 | 还款记录、交易流水 | |
| 催收评分 (Collection Score) | 逾期客户催收策略 | 逾期天数、联系记录 | |
| 按数据范围 | 通用评分 (Generic Score) | 跨机构风险排序 | 征信中心数据 |
| 定制评分 (Custom Score) | 特定客群/产品 | 机构内部数据 |
Champion 对照实验的切入点：在实际业务中，机构通常同时运行多个评分模型（如逻辑回归 Champion vs. XGBoost Challenger），通过对照实验比较 KS、AUC、PSI 等指标，以决定是否用新模型替换旧模型。这是本课程的核心主题。