3. 金融风控模型概述：评分卡模型、机器学习模型、规则引擎与模型融合策略

在金融风控领域，模型是决策的核心。本章将系统梳理四种主流风控模型体系：评分卡模型、机器学习模型（XGBoost/LightGBM）、规则引擎以及模型融合策略。理解它们的原理、适用场景与局限性，是后续开展A/B测试实验设计的基础。

3.1 评分卡模型：可解释性的行业标准

评分卡模型是金融风控领域最经典的信用评估工具，其核心是逻辑回归与证据权重（WOE）编码的结合。它将原始特征转换为离散的分数段，最终输出一个直观的“信用分数”。

评分卡构建流程

1. 数据准备与特征分箱： 对连续变量（如年龄、收入）进行最优分箱，对离散变量进行合并。
2. WOE编码： 计算每个分箱的证据权重，替换原始值。
3. 逻辑回归建模： 以WOE值为输入，拟合逻辑回归模型。
4. 分数转换： 将逻辑回归系数转换为整数分数（如每增加一个分箱，分数增减X分）。
5. 分数校准： 设定基准分（如600分）与翻倍比率（如每20分翻一倍），确保分数具有实际业务含义。

3.2 机器学习模型：XGBoost与LightGBM

以XGBoost和LightGBM为代表的梯度提升树模型，凭借其强大的非线性拟合能力和特征自动交互能力，已成为风控领域的主流选择。

XGBoost核心原理

• 二阶泰勒展开： 使用损失函数的一阶和二阶导数，加速收敛。
• 正则化项： 在目标函数中加入叶子节点数L1/L2正则，防止过拟合。
• 列抽样： 每棵树随机选择部分特征，增加多样性。

LightGBM核心优化

• GOSS（梯度单边采样）： 保留大梯度样本，随机采样小梯度样本，减少计算量。
• EFB（互斥特征捆绑）： 将互斥特征合并，降低特征维度。
• 直方图算法： 将连续特征离散化为直方图桶，加速分裂点寻找。

# XGBoost 风控模型训练示例
import xgboost as xgb

params = {
    'objective': 'binary:logistic',
    'eval_metric': 'auc',
    'max_depth': 5,
    'learning_rate': 0.05,
    'subsample': 0.8,
    'colsample_bytree': 0.7,
    'reg_lambda': 1.0,
    'reg_alpha': 0.1
}

dtrain = xgb.DMatrix(X_train, label=y_train)
dvalid = xgb.DMatrix(X_valid, label=y_valid)

model = xgb.train(
    params,
    dtrain,
    num_boost_round=500,
    evals=[(dtrain, 'train'), (dvalid, 'valid')],
    early_stopping_rounds=50,
    verbose_eval=50
)

3.3 规则引擎：业务经验的固化

规则引擎是风控系统的第一道防线，通常由业务专家根据历史经验、监管要求或黑名单库编写。它不依赖统计模型，而是通过if-then-else逻辑直接决策。

常见规则类型

• 黑名单规则： 命中法院失信人、欺诈设备指纹等直接拒绝。
• 阈值规则： 年龄 < 18 或 > 65 拒绝；收入 < 2000 拒绝。
• 组合规则： 若“申请设备数量 > 3”且“IP归属地与身份证地址不一致”，则触发人工审核。
• 时间衰减规则： 近7天内申请次数 > 5，则拒绝。

3.4 模型融合策略：取长补短

单一模型往往存在局限性，模型融合通过组合多个模型的输出，提升整体稳定性和区分能力。常见的融合策略包括：

3.5 风控模型体系架构总览

下图展示了典型金融风控系统的模型融合架构，从数据输入到最终决策的完整链路。

3.6 模型选择与A/B测试的关联

在A/B测试中，不同的模型体系决定了实验的观测指标和最小样本量：

• 评分卡模型： 观测指标为“通过率”和“逾期率”，样本量需求较大（通常每组>10万），因为分数变化对业务影响较平滑。
• 机器学习模型： 观测指标为“KS值”和“AUC”，样本量需求中等（每组>5万），但需注意模型过拟合导致的线上效果衰减。
• 规则引擎： 观测指标为“拒绝率”和“人工审核率”，样本量需求较小（每组>1万），但需关注规则冲突和覆盖盲区。
• 模型融合： 观测指标为“综合通过率”和“坏账率”，样本量需求最大（每组>20万），因为融合策略的微小变化可能被单一模型放大。