4. AUC与Gini系数：定义、换算与风控应用差异

在风险计量中，AUC（Area Under the ROC Curve）与Gini系数是衡量模型排序能力最核心的两个指标。两者在数学上等价，但在业务解读、监管报送和模型评审场景中各有侧重。本章从定义出发，推导换算关系，并深入分析在风控中的实际应用差异。

4.1 Gini系数定义

Gini系数最初用于衡量收入分配公平性，在风控中用于评估模型对“好客户”与“坏客户”的区分能力。其核心思想是：如果模型完全随机排序，Gini=0；如果模型完美区分好坏，Gini=1。

计算步骤：

  1. 将样本按模型预测评分从低到高排序（评分越低风险越高）。
  2. 计算累积好客户占比（x轴）与累积坏客户占比（y轴），绘制 Lorenz 曲线。
  3. Gini系数 = (Lorenz曲线与对角线围成的面积) / (对角线下方面积) × 2 - 1。
公式表达：
Gini = 2 × AUC - 1
或等价于：Gini = (SLorenz - 0.5) / 0.5 = 2 × SLorenz - 1

其中 SLorenz 为 Lorenz 曲线下的面积。Gini 系数取值范围为 [0, 1]，在风控实践中，通常要求模型 Gini ≥ 0.3（评分卡）或 ≥ 0.5（机器学习模型）。

4.2 AUC与Gini的换算关系

AUC与Gini系数存在严格的数学换算关系，两者本质上是同一排序能力的两种表达方式。

指标 定义域 随机模型值 完美模型值 换算公式
AUC [0.5, 1.0] 0.5 1.0 AUC = (Gini + 1) / 2
Gini系数 [0, 1] 0 1 Gini = 2 × AUC - 1
换算示例：
若模型 AUC = 0.75，则 Gini = 2 × 0.75 - 1 = 0.50。
若模型 Gini = 0.6，则 AUC = (0.6 + 1) / 2 = 0.80。
注意：换算仅在样本分布一致时严格成立；在极端不平衡样本下，AUC 与 Gini 的数值关系可能因计算方式不同产生微小偏差。
AUC与Gini系数换算关系 AUC与Gini系数换算关系 ROC曲线空间 AUC = 0.75 FPR (1-特异度) TPR (灵敏度) Gini = 2×AUC-1 AUC = (Gini+1)/2 Lorenz曲线空间 Gini = 0.50 累积好客户占比 累积坏客户占比

4.3 在风控中的应用差异

尽管AUC与Gini在数学上等价，但在风控实际业务中，两者的使用场景、解读方式和监管偏好存在显著差异。

对比维度 AUC Gini系数
业务解读 随机抽取一对好坏样本，模型将坏样本排在好样本之前的概率 模型排序能力相对于随机排序的提升比例
监管报送 巴塞尔协议、央行征信模型常用AUC 国内银行评分卡开发、模型评审报告常用Gini
模型评审 适合跨模型、跨数据集对比（标准化程度高） 适合向业务方解释模型区分能力（直观百分比）
阈值依赖 不依赖阈值，反映模型整体排序能力 不依赖阈值，与AUC等价
样本不平衡 对不平衡不敏感，但极端不平衡时需谨慎 对不平衡不敏感，与AUC一致
业务沟通 “AUC 0.75”不如“Gini 0.5”直观 “模型区分能力提升了50%”更易被业务接受
风控实践避坑：
  • 不要混用计算口径：部分工具计算Gini时使用“好样本为x轴、坏样本为y轴”，与标准Lorenz曲线方向相反，导致Gini值符号异常。务必确认计算逻辑。
  • 注意样本外验证：训练集Gini通常比验证集高5-10个百分点。若验证集Gini下降超过15%，提示模型过拟合。
  • 拒绝推断影响：在贷前评分卡中，未通过样本的“好坏”未知，拒绝推断方法不同会导致Gini/AUC波动0.02-0.05。

4.4 风控场景选择建议

在实际风控项目中，建议根据汇报对象和场景选择指标：

  • 向监管/审计报送：优先使用AUC，同时附Gini系数作为辅助。监管报告模板通常要求AUC。
  • 向业务部门汇报：优先使用Gini系数，配合“模型区分能力提升了X%”的话术，更易被理解。
  • 模型内部评审：同时报告AUC和Gini，并给出换算验证，确保计算一致性。
  • 跨模型对比：使用AUC，因为其定义域[0.5,1]更精细，适合区分高分段模型。
风控场景指标选择决策流程 风控场景指标选择决策流程 模型区分能力评估 汇报对象？ 监管/审计 → 优先AUC 业务部门 → 优先Gini 内部评审 → 同时报告 提示：跨模型对比时建议使用AUC，业务沟通时建议使用Gini

4.5 代码实现：AUC与Gini换算

以下Python代码演示了AUC与Gini系数的计算与换算，使用sklearn和numpy实现。

import numpy as np
from sklearn.metrics import roc_auc_score

def calculate_auc_gini(y_true, y_score):
    """
    计算AUC和Gini系数，并验证换算关系
    
    Parameters:
    y_true : array-like, 真实标签 (0:好客户, 1:坏客户)
    y_score : array-like, 模型预测评分
    
    Returns:
    auc, gini, gini_from_auc
    """
    # 计算AUC
    auc = roc_auc_score(y_true, y_score)
    
    # 方法1：直接计算Gini（基于Lorenz曲线）
    # 按评分排序
    order = np.argsort(y_score)
    y_true_sorted = y_true[order]
    
    # 计算累积坏客户占比
    cum_bad = np.cumsum(y_true_sorted)
    cum_bad_norm = cum_bad / cum_bad[-1] if cum_bad[-1] > 0 else np.zeros_like(cum_bad)
    
    # 计算累积好客户占比
    cum_good = np.cumsum(1 - y_true_sorted)
    cum_good_norm = cum_good / cum_good[-1] if cum_good[-1] > 0 else np.zeros_like(cum_good)
    
    # Lorenz曲线下面积（梯形法）
    lorenz_area = np.trapz(cum_bad_norm, cum_good_norm)
    
    # Gini = 2 * (Lorenz曲线下面积 - 0.5)
    gini_direct = 2 * (lorenz_area - 0.5)
    
    # 方法2：从AUC换算
    gini_from_auc = 2 * auc - 1
    
    return auc, gini_direct, gini_from_auc

# 示例使用
if __name__ == "__main__":
    # 模拟数据
    np.random.seed(42)
    y_true = np.array([1]*200 + [0]*800)  # 20%坏客户
    y_score = np.concatenate([
        np.random.normal(0.3, 0.2, 200),  # 坏客户评分偏低
        np.random.normal(0.7, 0.2, 800)   # 好客户评分偏高
    ])
    
    auc, gini_direct, gini_from_auc = calculate_auc_gini(y_true, y_score)
    
    print(f"AUC: {auc:.4f}")
    print(f"Gini (直接计算): {gini_direct:.4f}")
    print(f"Gini (从AUC换算): {gini_from_auc:.4f}")
    print(f"换算验证: Gini = 2*AUC - 1 = {2*auc - 1:.4f}")
输出示例：
AUC: 0.9215
Gini (直接计算): 0.8430
Gini (从AUC换算): 0.8430
换算验证: Gini = 2*AUC - 1 = 0.8430

注意：直接计算Gini时，若样本中坏客户占比极低（如<1%），Lorenz曲线下面积计算可能不稳定，建议优先使用AUC换算Gini。

4.6 本章小结

  • Gini系数是Lorenz曲线与对角线围成面积的2倍，取值范围[0,1]，直观反映模型相对于随机排序的提升比例。
  • AUC与Gini严格等价：Gini = 2×AUC - 1，AUC = (Gini + 1) / 2。
  • 应用差异：监管报送优先AUC，业务沟通优先Gini，内部评审同时报告两者并验证换算一致性。
  • 实践注意：拒绝推断、样本不平衡、计算口径差异均可能导致AUC与Gini数值关系偏离理论值，需在报告中注明计算方式。
← 上一章 📖 返回目录 下一章 →