1. 信用评分概述
1.1 信用评分的定义
信用评分（Credit Scoring）是一种量化评估借款人信用风险的统计模型方法。它通过分析借款人的历史信贷数据、行为特征与人口统计信息，输出一个数值化的分数，用以预测借款人在未来一段时间内发生违约（Default）或逾期（Delinquency）的概率。
信用评分并非简单的“打分”，而是一套完整的风险分层体系。其核心逻辑可概括为：
- 输入：借款人特征变量（如收入、负债、还款历史、查询次数等）。
- 模型：逻辑回归、决策树、机器学习等统计或算法模型。
- 输出：一个连续的分数（如 300-850 分），分数越高，代表信用风险越低。
- 决策：基于分数阈值（Cut-off）进行授信、定价、额度管理等操作。
关键概念区分： 信用评分（Score）与信用评级（Rating）不同。评分是连续数值，适用于大规模自动化决策；评级是离散等级（如 AAA、BBB、C），常用于债券或企业信贷。
1.2 发展历史
信用评分的发展经历了从人工经验到统计模型，再到机器学习与大数据的三个主要阶段。下表总结了各阶段的关键特征：
| 阶段 | 时间 | 核心方法 | 代表事件/产品 |
|---|---|---|---|
| 萌芽期 | 1950s 前 | 人工判断、5C 原则（Character, Capacity, Capital, Collateral, Conditions） | 信贷员主观审批，效率低、一致性差 |
| 统计模型期 | 1950s – 1990s | 判别分析、逻辑回归 | FICO 评分（1958 年首次推出）；Fair, Isaac and Company 成立 |
| 自动化决策期 | 1990s – 2010s | 决策树、评分卡（Scorecard）、集成模型 | Experian、Equifax、TransUnion 三大征信局普及；巴塞尔协议推动风险量化 |
| 智能风控期 | 2010s 至今 | XGBoost、深度学习、联邦学习、替代数据（Alternative Data） | 蚂蚁集团“花呗/借呗”评分、ZestFinance、征信白户评分 |
在中国，信用评分的发展与互联网金融和监管政策紧密相关。2015 年央行发布《个人征信机构监管指引》后，百行征信、朴道征信等市场化机构成立，推动了基于替代数据（如水电煤缴费、社交行为）的评分模型发展。
1.3 在金融风控中的核心作用
信用评分是现代金融风控体系的基石，其核心作用体现在以下四个维度：
- 自动化决策引擎：将人工审批转化为系统自动决策，实现秒级响应，大幅降低运营成本。
- 风险定价：根据评分高低差异化设定利率、额度与期限，实现“高风险高定价、低风险低定价”。
- 组合风险管理：通过评分分布监控资产组合的健康度，提前预警系统性风险。
- 监管合规：满足巴塞尔协议、《商业银行互联网贷款管理暂行办法》等对风险量化的硬性要求。
行业数据： 根据麦肯锡报告，采用信用评分模型的金融机构，其信贷审批效率平均提升 60% 以上，坏账率下降 30%-50%。评分每提升 10 分，违约概率（PD）通常下降 15%-25%。
1.4 信用评分与 Champion 对照实验的关系
在金融风控实践中，信用评分模型并非一成不变。随着数据分布变化、业务策略调整或模型技术迭代，机构需要持续评估新模型（Challenger）是否优于当前线上模型（Champion）。这正是本课程的核心主题——Champion 对照实验设计。
信用评分模型的上线或迭代，必须经过严格的对照实验验证，否则可能带来灾难性的风险后果。下表展示了 Champion 与 Challenger 模型在实验中的典型对比维度：
| 对比维度 | Champion（冠军模型） | Challenger（挑战者模型） |
|---|---|---|
| 状态 | 当前线上生产模型 | 待验证的新模型 |
| 数据 | 全量实时数据 | 历史回测数据 / 小流量实时数据 |
| 评估指标 | KS、AUC、Gini、PSI | KS、AUC、Gini、PSI、业务收益 |
| 风险 | 已知风险可控 | 未知风险，需通过实验暴露 |
| 决策 | 维持现状 | 若显著优于 Champion 则替换 |
⚠️ 重要提醒： 信用评分模型的 Champion 对照实验不是简单的 A/B 测试。由于信贷业务具有长周期、低频率、强滞后性（违约通常发生在 3-12 个月后）的特点，实验设计必须考虑时间窗口、样本量、分组随机性、多重比较校正等复杂因素。本课程后续章节将逐一拆解这些技术细节。
1.5 本章小结
- 信用评分是量化风险的核心工具，从人工经验演进到智能模型。
- 评分在风控中扮演自动化决策、风险定价、组合管理、监管合规四大角色。
- Champion 对照实验是模型迭代的安全阀，确保新模型上线前经过充分验证。
- 本课程将围绕实验设计、指标选择、样本拆分、统计检验、上线监控等环节展开。