1. 信用评分模型概述

信用评分模型是金融科技与零售信贷领域的核心决策工具。它通过统计与机器学习方法，将借款人的历史数据、行为特征转化为一个量化分值，用以预测其未来违约概率或还款表现。一个设计良好的评分卡不仅能提升审批效率，还能实现风险与收益的动态平衡。

1.1 信用评分的定义

信用评分（Credit Scoring）本质上是一个概率预测问题：给定借款人的特征向量 \( X \)，模型输出其“坏账”概率 \( P(Y=1|X) \)，再通过逻辑回归或评分卡转换公式映射为整数分值。标准评分卡通常采用以下线性转换公式：

Score = Offset + Factor × ln(Odds)
其中：
- Odds = (1 - P_bad) / P_bad
- Offset 与 Factor 由业务预设的“基准分”与“翻倍分值”决定

1.2 应用场景

信用评分模型贯穿信贷全生命周期，主要覆盖三大场景：

1.3 评分卡类型

根据数据来源与决策时点，评分卡可分为以下三类：

• 申请评分卡 (Application Scorecard)：基于客户申请时提交的信息（身份、收入、负债、征信查询次数）构建，用于首次授信决策。数据获取成本低，但信息维度有限。
• 行为评分卡 (Behavior Scorecard)：基于客户在贷期间的行为数据（还款记录、消费模式、额度使用率）构建，用于额度调整、交叉销售与风险预警。预测能力通常优于申请评分卡。
• 催收评分卡 (Collection Scorecard)：基于逾期后的还款意愿与还款能力特征构建，用于分案策略（短信、IVR、人工催收、法务）与催收强度排序。

1.4 评分卡在信贷全生命周期中的位置

下图展示了评分卡如何嵌入信贷业务的完整流程：从申请、审批、放款、贷中管理到贷后催收，每个环节都有对应的评分卡或模型支撑决策。

1.5 评分卡开发流程概览

一个标准评分卡项目通常包含以下步骤，本课程将逐一深入：

1. 业务定义与数据采集：明确目标变量（如逾期30天+）、确定观察期与表现期、采集原始数据。
2. 数据清洗与特征工程：处理缺失值、异常值、衍生变量（如额度使用率、近6个月查询次数）。
3. 变量分箱与WOE编码：将连续变量离散化，计算证据权重（Weight of Evidence），确保单调性。
4. 模型训练与筛选：使用逻辑回归（LR）或梯度提升树（XGBoost/LightGBM）训练，通过IV、PSI、KS筛选变量。
5. 评分卡转换：将模型系数转换为整数分值，设定基准分与翻倍分值。
6. 模型验证与监控：在时间外样本（OOT）上验证区分度与稳定性，部署后持续监控PSI与KS衰减。