2. 信用评分模型基础回顾：评分卡原理、逻辑回归、决策树、集成模型在信用评分中的应用概览
在深入 Champion/Challenger 实验之前，有必要系统回顾信用评分模型的核心技术栈。本章将梳理从传统评分卡到现代集成模型的演进脉络，重点阐明各模型在信用评分场景中的适用性、优势与局限。
2.1 评分卡原理与逻辑回归
评分卡（Scorecard）是信用评分领域最经典的模型形式，其核心基于逻辑回归（Logistic Regression）。逻辑回归通过 Sigmoid 函数将线性组合的预测值映射到 [0,1] 区间，输出样本的违约概率。
核心公式：
其中 P 为违约概率，β 为回归系数，X 为特征变量。
P(y=1|X) = 1 / (1 + e-(β₀ + β₁X₁ + ... + βₖXₖ))其中 P 为违约概率，β 为回归系数，X 为特征变量。
评分卡将逻辑回归的系数转换为整数分值，便于业务理解和落地。转换过程通常包含以下步骤：
- 变量分箱（Binning）：将连续变量离散化，如将“年龄”分为 [18-25]、[26-35] 等区间。
- WOE 编码（Weight of Evidence）：计算每个分箱的证据权重，衡量该分箱对违约/正常客户的区分能力。
- IV 筛选（Information Value）：根据信息量筛选预测能力强的变量，通常 IV > 0.02 为有效变量。
- 逻辑回归拟合：以 WOE 值为输入，拟合逻辑回归模型。
- 分值映射：将回归系数按比例缩放为整数分值，形成最终评分卡。
| 变量 | 分箱区间 | WOE | 分值 |
|---|---|---|---|
| 年龄 | 18-25 | 0.35 | 42 |
| 年龄 | 26-35 | 0.12 | 58 |
| 年龄 | 36-50 | -0.08 | 65 |
| 年龄 | >50 | -0.22 | 72 |
业务提示：评分卡的最大优势在于可解释性。每个变量的分值贡献一目了然，便于向监管机构解释审批决策依据，也方便业务人员快速定位拒绝原因。
2.2 决策树在信用评分中的应用
决策树（Decision Tree）是一种非参数监督学习方法，通过树状结构对样本进行递归划分。在信用评分中，决策树常用于：
- 规则提取：生成可读的审批规则，如“若收入 < 5000 且 历史逾期次数 > 3，则拒绝”。
- 特征重要性排序：通过分裂增益评估各变量的预测能力。
- 缺失值处理：利用树结构自动处理缺失值，无需额外插补。
注意：单棵决策树容易过拟合，在信用评分中通常不单独作为最终模型，而是作为集成模型的基学习器使用。
2.3 集成模型在信用评分中的应用
集成模型通过组合多个弱学习器来提升预测性能，在信用评分中已成为主流方案。常见的集成方法包括：
| 模型 | 核心思想 | 信用评分优势 | 典型场景 |
|---|---|---|---|
| 随机森林 | Bagging + 随机特征选择 | 抗过拟合、特征重要性可解释 | 贷前审批、反欺诈 |
| XGBoost | 梯度提升 + 正则化 | 高精度、处理缺失值、支持自定义损失 | 贷中监控、额度管理 |
| LightGBM | 基于直方图的梯度提升 | 训练速度快、内存占用低 | 大规模样本评分 |
| CatBoost | 对称树 + 有序提升 | 天然支持类别特征、减少过拟合 | 含大量类别变量的场景 |
关键对比：逻辑回归评分卡在可解释性上占优，适合监管合规要求高的场景；集成模型在预测精度上更优，适合追求风险区分能力的场景。Champion/Challenger 实验正是为了在两者之间找到最佳平衡点。
2.4 模型选择策略
在实际信用评分项目中，模型选择需综合考虑以下因素：
- 监管要求：强监管场景优先选择逻辑回归评分卡，便于解释和审计。
- 数据规模：大规模样本（百万级）适合 LightGBM，小样本（万级）适合逻辑回归或随机森林。
- 特征类型：类别变量多的场景优先考虑 CatBoost。
- 业务时效：需要快速迭代的场景，XGBoost 的成熟生态和调参工具更具优势。
Champion/Challenger 实验切入点：通常将逻辑回归评分卡作为 Champion（基准模型），将 XGBoost 或随机森林作为 Challenger（挑战模型），通过对比实验验证新模型是否在 KS、AUC、PSI 等指标上显著优于基准。