2. 风控模型基础：信用评分卡模型、反欺诈模型、申请评分模型、行为评分模型的核心概念

在金融风控体系中，模型是量化决策的核心引擎。本章聚焦于四种最基础的模型类型：信用评分卡模型、反欺诈模型、申请评分模型与行为评分模型。理解它们的定义、适用场景与核心差异，是后续进行模型验证与A/B分流方案设计的前提。

2.1 模型分类与核心定义

这四类模型覆盖了信贷业务从获客、准入、审批到贷后管理的全生命周期。下表从业务阶段、目标变量与典型应用三个维度进行对比：

2.2 信用评分卡模型

信用评分卡是风控领域最经典的模型形式，通常采用逻辑回归或评分卡转换技术，将原始特征映射为整数分数。其核心优势在于可解释性与稳定性。

• 评分卡结构：每个特征被分箱（Binning）后，每个箱体对应一个分数。总分 = 基准分 + 各特征得分之和。
• 常用算法：逻辑回归（LR）、决策树、XGBoost（需配合评分卡转换）。
• 输出形式：分数（如300-850分），分数越高，违约概率越低。
• 验证重点：KS值、AUC、PSI（群体稳定性指标）、特征单调性。

2.3 反欺诈模型

反欺诈模型与信用评分模型在目标上存在本质区别：信用模型预测“是否愿意还”，反欺诈模型预测“是否是本人/真实交易”。

• 特征类型：设备指纹、IP地址、行为序列、关系网络、生物特征。
• 常用算法：孤立森林（Isolation Forest）、XGBoost、图神经网络（GNN）、规则引擎+模型融合。
• 输出形式：欺诈概率（0-1）或风险等级（高/中/低）。
• 验证重点：召回率（Recall）、精确率（Precision）、F1-score、误杀率（FPR）、对抗鲁棒性。

2.4 申请评分模型

申请评分模型是信用评分卡在贷前审批环节的具体应用。它利用申请人在申请时提交的数据（身份信息、收入、征信报告等）来预测其未来首次违约的可能性。

• 数据来源：申请表数据、央行征信、第三方数据（如社保、公积金）。
• 建模难点：拒绝偏差（Reject Inference）——只有通过审批的客户才有表现数据，未通过客户的表现未知。
• 输出形式：申请评分（如0-100分），通常设定一个“硬性拒绝线”与“人工审核线”。
• 验证重点：区分度（KS/AUC）、校准度（Calibration）、拒绝推断的合理性。

2.5 行为评分模型

行为评分模型关注客户在贷中阶段的行为变化，用于动态管理存量客户。它比申请评分模型拥有更丰富的行为数据（还款记录、消费习惯、额度使用率）。

• 数据来源：还款流水、交易记录、客服交互、APP行为日志。
• 预测目标：未来30/60/90天逾期、额度使用率下降、客户流失。
• 输出形式：行为评分（如1-10分），分数下降触发预警。
• 验证重点：时间序列稳定性、早停指标（Early Warning）、策略响应率。

2.6 四类模型的关系与协同

下图展示了四类模型在信贷全生命周期中的位置与数据流转关系：

2.7 模型选择的关键考量

在实际项目中，选择哪种模型取决于业务目标与数据条件。下表总结了决策要点：