信用评分Champion模型实战教程 - 第1节
1.1 信用评分的定义
信用评分（Credit Scoring）是一种利用统计模型或机器学习算法，对借款人的信用风险进行量化评估的方法。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（Default）或逾期（Delinquency）的概率。
信用评分的核心逻辑是：分数越高，风险越低；分数越低，风险越高。常见的评分卡（Scorecard）通常将分数范围设定在 300～850 分之间，不同区间对应不同的风险等级和授信策略。
关键概念：信用评分 ≠ 信用报告。信用报告是原始数据记录，信用评分是基于这些数据的模型输出结果。
1.2 核心应用场景
信用评分模型贯穿信贷业务的全生命周期，主要应用于以下三大场景：
| 场景 | 目标 | 典型决策 |
|---|---|---|
| 信贷审批 | 在申请环节识别高风险客户，降低坏账率 | 通过/拒绝/人工审核；设定初始额度与利率 |
| 额度管理 | 根据客户风险变化动态调整授信额度 | 提额、降额、冻结额度；交叉销售推荐 |
| 贷后监控 | 持续跟踪存量客户风险状态，提前预警 | 早期预警触发、催收策略分层、核销决策 |
实战提示：同一个评分模型通常不能同时用于审批和贷后监控。审批模型侧重“申请时点”的静态特征，贷后监控模型需要引入“行为特征”和“时间切片”数据。
1.3 模型生命周期
一个信用评分模型从诞生到退役，需要经历四个核心阶段：开发 → 验证 → 部署 → 监控。每个阶段都有明确的交付物和质量标准。
- 开发（Development）：数据采集、特征工程、样本设计、模型训练与调优。输出：候选模型、变量字典、模型公式。
- 验证（Validation）：独立验证集/跨时间验证、区分度（KS/AUC）、稳定性（PSI）、校准度检验。输出：验证报告、模型通过/不通过结论。
- 部署（Deployment）：模型封装为API或决策引擎规则、生产环境集成、A/B测试。输出：部署文档、接口规范、回滚方案。
- 监控（Monitoring）：实时/离线监控模型分数分布、特征稳定性、业务指标（坏账率、通过率）。输出：监控看板、预警通知、模型退役建议。
常见误区：很多团队只关注“开发”和“部署”，忽略“验证”和“监控”，导致模型上线后快速失效。一个Champion模型必须经过严格的验证和持续监控才能保持冠军地位。
1.4 Champion模型与Challenger模型
在实战中，我们通常维护多个候选模型：
- Champion模型：当前生产环境中表现最优、最稳定的模型，作为默认决策模型。
- Challenger模型：新开发的候选模型，通过A/B测试或离线验证与Champion模型对比，若显著更优则替换Champion。
| 对比维度 | Champion模型 | Challenger模型 |
|---|---|---|
| 状态 | 生产运行中 | 实验/验证中 |
| 数据时效 | 使用当前生产数据 | 可使用最新样本 |
| 替换条件 | 被Challenger超越 | KS提升≥3%且PSI稳定 |
| 风险 | 已知且可控 | 未知，需小流量验证 |
实战原则：永远不要在生产环境中同时运行两个Champion模型。Champion模型只有一个，Challenger模型可以有多个。
1.5 本章小结
- 信用评分是量化风险的核心工具，分数越高风险越低。
- 三大应用场景：信贷审批、额度管理、贷后监控，各有不同的数据要求和模型侧重。
- 模型生命周期四阶段：开发 → 验证 → 部署 → 监控，缺一不可。
- Champion模型是生产环境中的最优模型，需通过Challenger模型持续迭代。