📚 课程目录第1章信用评分卡概述

1. 信用评分卡概述

1.1 信用评分卡的定义

信用评分卡（Credit Scorecard）是金融风控领域最经典的量化决策工具之一。它将借款人的多维特征（如收入、负债、还款历史）通过统计模型转化为一个可比较的分数，并依据该分数划分风险等级，从而辅助信贷审批、额度管理和贷后监控等核心环节。

从技术本质上看，信用评分卡是一个基于逻辑回归（Logistic Regression）或机器学习模型的评分映射系统。它将模型输出的违约概率（PD）通过数学变换映射为整数分数，使得分数越高代表信用风险越低，分数越低代表违约可能性越大。

  核心公式： Score = Offset + Factor × ln(Odds)

  其中 Odds = p/(1-p)，p 为模型预测的违约概率；Offset 和 Factor 为预设的刻度参数。

1.2 发展历史

信用评分卡的发展经历了从人工经验到统计模型再到机器学习融合的三个主要阶段：

时期	里程碑	核心方法	代表事件
1950s–1960s	萌芽期	专家判断 + 简单加权	美国零售信贷公司开始使用手工评分表
1970s–1980s	统计模型期	判别分析、逻辑回归	FICO 推出通用评分卡；逻辑回归成为行业标准
1990s–2000s	成熟期	逻辑回归 + 分箱 + WOE 编码	巴塞尔协议 II 推动评分卡合规化；申请评分卡与行为评分卡普及
2010s–至今	智能融合期	XGBoost、LightGBM、深度学习 + 评分卡校准	机器学习模型用于特征工程；Champion 模型与 Challenger 模型并行验证

行业共识： 尽管机器学习模型在预测精度上常优于传统逻辑回归，但信用评分卡因其可解释性、监管合规性、稳定性，至今仍是银行和持牌消金机构的首选审批模型。

1.3 在金融风控中的核心价值

信用评分卡之所以历经数十年仍被广泛采用，源于其在以下四个维度的不可替代性：

标准化决策： 将主观判断转化为客观分数，消除审批人员的人为偏差，确保同一客户在不同时间、不同渠道获得一致的审批结果。
风险分层能力： 通过分数阈值将客户划分为优质、标准、次级、损失等风险等级，实现差异化定价、额度管理和催收策略。
监管合规性： 评分卡基于可解释的变量（如收入负债比、征信查询次数）和透明的权重体系，满足银保监会、巴塞尔协议等监管对模型可解释性的要求。
动态监控与迭代： 评分卡支持定期回测（Backtesting）和 Champion/Challenger 框架，可快速评估模型衰退并启动迭代，保持风控策略的时效性。

1.4 评分卡的主要类型

根据应用阶段和数据来源的不同，信用评分卡通常分为以下三类：

类型	应用阶段	数据来源	典型用途
申请评分卡（A卡）	贷前审批	申请表信息 + 征信报告 + 外部三方数据	判断是否准入、初始额度与利率
行为评分卡（B卡）	贷中管理	账户还款行为 + 交易流水 + 额度使用率	额度调整、风险预警、交叉销售
催收评分卡（C卡）	贷后催收	逾期天数 + 联系记录 + 历史催收响应	催收策略分层、委外决策

注意： 在 Champion 模型实战中，通常以申请评分卡（A卡）作为主模型进行开发与验证，因为 A 卡的数据获取最规范、样本量最大、监管要求最严格。B 卡和 C 卡可作为 Challenger 模型进行对比测试。

A卡（申请评分卡） 为主模型进行全流程开发 B卡与C卡作为 Challenger 模型参与对比评估与冠军选择

1.5 评分卡与机器学习模型的对比

在风控建模实践中，评分卡与纯机器学习模型各有优劣。下表从关键维度进行对比：

对比维度	传统评分卡（逻辑回归）	机器学习模型（XGBoost/LightGBM）
可解释性	高（变量权重透明，支持 WOE 归因）	低（需借助 SHAP/LIME 等工具解释）
预测精度	中等（线性假设限制）	高（可捕捉非线性与交互效应）
稳定性	高（变量分箱后对异常值不敏感）	中等（对数据分布漂移敏感）
监管合规	易通过（银保监会、巴塞尔协议认可）	难通过（黑箱模型需额外解释报告）
开发周期	较长（需人工分箱与 WOE 编码）	较短（自动化特征工程与调参）
适用场景	持牌金融机构、强监管场景	互联网信贷、快速迭代场景

Champion 模型策略： 在实战中，通常以传统评分卡作为 Champion 模型（满足合规与稳定性要求），同时训练机器学习模型作为 Challenger 模型进行对比。若 Challenger 在 AUC、KS 等指标上显著优于 Champion 且通过稳定性测试，则可考虑替换或融合。