1. 信用评分模型概述
1.1 信用评分的定义
信用评分（Credit Scoring）是一种利用统计模型、机器学习算法对借款人信用风险进行量化评估的技术。它将借款人的历史行为、人口统计特征、财务信息等转化为一个数值分数，用以预测借款人未来发生违约或逾期等风险事件的概率。
信用评分的核心逻辑是：用历史数据预测未来表现。模型通过分析大量已放贷样本的还款表现，找出与违约风险高度相关的特征变量，并赋予不同权重，最终输出一个可排序、可解释的分数。
关键公式（逻辑回归评分卡）：
Score = Offset + Factor × ln(Odds)
其中 Odds = p/(1-p)，p 为违约概率；Offset 和 Factor 为常数，用于将模型输出映射到整数分数区间（如 300-850）。
Score = Offset + Factor × ln(Odds)
其中 Odds = p/(1-p)，p 为违约概率；Offset 和 Factor 为常数，用于将模型输出映射到整数分数区间（如 300-850）。
1.2 评分卡类型
根据信贷业务的生命周期，信用评分卡主要分为以下三类：
| 评分卡类型 | 应用阶段 | 数据来源 | 预测目标 | 典型用途 |
|---|---|---|---|---|
| 申请评分卡 （Application Scorecard） |
贷前 | 申请表信息、征信报告、外部三方数据 | 新客户在贷后 6-12 个月内是否违约 | 审批决策、额度初始核定、利率定价 |
| 行为评分卡 （Behavior Scorecard） |
贷中 | 账户还款记录、交易行为、额度使用率 | 现有客户未来 3-6 个月是否逾期或流失 | 额度调整、交叉销售、早期预警 |
| 催收评分卡 （Collection Scorecard） |
贷后 | 逾期天数、历史催收接触记录、还款承诺 | 逾期账户的回收概率或最佳催收策略 | 催收优先级排序、催收策略匹配、核销决策 |
实践要点：三类评分卡并非孤立使用。在成熟的信贷风控体系中，申请评分卡用于“准入”，行为评分卡用于“管理”，催收评分卡用于“处置”，三者形成完整的风险闭环。
1.3 评分卡在金融风控中的核心价值
信用评分卡之所以成为全球金融机构的标准工具，源于以下五个核心价值：
- 标准化决策：将主观判断转化为客观、一致的评分规则，消除审批人员经验差异带来的决策偏差。
- 可解释性强：评分卡以分数和权重形式呈现，每个特征对最终分数的影响清晰可见，满足监管对模型可解释性的要求。
- 精细化风控：通过分数切分（Cut-off），实现风险分层管理，对不同风险等级的客户匹配差异化的额度、利率和催收策略。
- 自动化与效率：评分卡可嵌入决策引擎，实现秒级自动审批，大幅降低人工审核成本，支撑大规模业务增长。
- 持续迭代能力：通过 Champion/Challenger 实验框架，评分卡可以持续验证、优化和替换，保持模型在动态市场环境中的有效性。
常见误区：评分卡不是“万能模型”。它依赖高质量的历史数据，在客群结构发生剧烈变化（如政策调整、经济危机）时，评分卡的预测能力会显著下降。因此，评分卡需要定期监控（PSI、KS、AUC）并通过 Champion/Challenger 实验进行迭代。
1.4 评分卡与机器学习模型的对比
| 对比维度 | 传统评分卡（逻辑回归） | 机器学习模型（XGBoost / 神经网络） |
|---|---|---|
| 可解释性 | 高（权重、WOE、分数贡献清晰） | 低（需借助 SHAP、LIME 等工具） |
| 非线性拟合能力 | 弱（需手动构造交叉特征） | 强（自动捕捉复杂交互关系） |
| 监管合规难度 | 低（标准成熟，易于审计） | 高（部分监管机构不认可黑箱模型） |
| 开发维护成本 | 中（特征工程 + 分箱 + 逻辑回归） | 高（调参、特征选择、模型监控） |
| 适用场景 | 强监管环境、需要明确拒绝原因的业务 | 高精度要求、数据量大、可接受黑箱的场景 |
行业趋势：当前主流做法是“混合建模”——使用机器学习模型做初筛或辅助决策，同时保留评分卡作为主决策模型或拒绝原因解释模型，兼顾精度与合规。