2. 风险建模基础：传统评分卡模型回顾、机器学习在风控中的优势、模型评估指标
2.1 传统评分卡模型回顾
评分卡（Scorecard）是金融风控领域最经典的建模方法，以逻辑回归为基础，通过分箱、WOE编码、线性回归和分数映射构建可解释的信用评分系统。
评分卡建模核心流程
- 数据准备与清洗：处理缺失值、异常值，剔除无关变量。
- 特征分箱：对连续变量（如年龄、收入）和离散变量进行最优分箱，保证单调性。
- WOE编码：计算每个分箱的证据权重（Weight of Evidence），替代原始值。
- 逻辑回归拟合：以WOE值为输入，拟合二元逻辑回归模型。
- 分数映射：将逻辑回归系数转换为整数分数，形成最终评分卡。
评分卡优缺点对比
| 维度 | 优势 | 劣势 |
|---|---|---|
| 可解释性 | 每个变量、每个分箱都有明确分数，业务人员可直接理解 | 线性假设限制，无法捕捉复杂非线性关系 |
| 监管合规 | 满足巴塞尔协议等监管对模型透明度的要求 | 变量间交互作用需手动构造，效率低 |
| 稳定性 | 分箱和WOE对异常值不敏感，长期表现稳定 | 对高维稀疏数据（如文本、行为序列）处理能力弱 |
| 开发效率 | 流程成熟，工具链完善（如SAS、Python scorecardpy） | 特征工程耗时，分箱依赖人工经验 |
业务提示： 评分卡在信贷审批、信用卡发卡等强监管场景仍是主流。但在反欺诈、实时交易监控等需要高维特征和复杂模式识别的场景，评分卡已逐渐被机器学习模型替代。
2.2 机器学习在风控中的优势
以LightGBM为代表的机器学习模型，在风控建模中展现出传统评分卡难以比拟的优势，尤其在处理高维、非线性、稀疏数据时表现突出。
核心优势对比
| 能力维度 | 传统评分卡 | 机器学习（LightGBM） |
|---|---|---|
| 特征处理 | 需手动分箱、WOE编码 | 自动处理缺失值、类别特征、连续特征 |
| 非线性拟合 | 线性决策边界，需人工构造交叉项 | 树模型天然支持非线性分割与特征交互 |
| 高维数据 | 变量过多时过拟合严重 | 内置正则化、列采样、早停，抗过拟合能力强 |
| 训练效率 | 分箱+WOE+回归，流程较长 | 基于直方图的决策树，训练速度极快 |
| 模型性能 | KS通常0.3~0.4 | KS可达0.5~0.7，AUC提升5~15% |
关键洞察： 机器学习模型在风控中的最大价值不是“替代”评分卡，而是“互补”。在评分卡覆盖不到的复杂欺诈模式、长尾风险、时序行为特征上，LightGBM等模型能显著提升识别能力。
2.3 模型评估指标：KS、AUC、Lift
风控模型评估不能只看准确率，必须关注模型对好坏客户的排序能力。KS、AUC、Lift是业界最核心的三个指标。
2.3.1 KS（Kolmogorov-Smirnov）
KS衡量模型区分好坏样本的最大能力，计算公式为：
KS = max( TPR - FPR )其中TPR为真正率（坏样本被正确识别的比例），FPR为假正率（好样本被误判为坏的比例）。KS值越高，模型区分能力越强。
| KS范围 | 模型区分能力 | 风控应用建议 |
|---|---|---|
| < 0.2 | 弱，基本无区分能力 | 不适合上线，需重新建模 |
| 0.2 ~ 0.3 | 中等，有一定区分能力 | 可用于辅助决策，需结合其他模型 |
| 0.3 ~ 0.5 | 良好，区分能力较强 | 可独立用于审批决策 |
| 0.5 ~ 0.7 | 优秀，区分能力很强 | 适合高风险场景，注意过拟合 |
| > 0.7 | 极高，需警惕过拟合 | 需严格交叉验证，检查样本外表现 |
2.3.2 AUC（Area Under the ROC Curve）
AUC是ROC曲线下的面积，反映模型随机抽取一个坏样本比一个好样本得分更高的概率。AUC取值范围0.5~1，值越大模型排序能力越强。
| AUC范围 | 模型表现 | 常见场景 |
|---|---|---|
| 0.5 | 随机猜测，无价值 | 基线模型 |
| 0.6 ~ 0.7 | 一般，可接受 | 传统评分卡常见水平 |
| 0.7 ~ 0.8 | 良好 | 机器学习模型常见水平 |
| 0.8 ~ 0.9 | 优秀 | 集成模型、深度学习模型 |
| > 0.9 | 极高，需验证 | 可能存在数据泄露或过拟合 |
2.3.3 Lift（提升度）
Lift衡量模型相对于随机选择的提升效果。在风控中，通常关注Top 10%或Top 20%样本的Lift值。
Lift@k = (坏样本在Top k%中的比例) / (整体坏样本比例)例如，整体坏账率2%，模型Top 10%样本中坏账率12%，则Lift@10% = 12%/2% = 6。Lift越高，说明模型在头部样本中捕获风险的能力越强。
注意： 三个指标需综合使用。KS关注最大区分点，AUC关注全局排序，Lift关注头部风险捕获。单一指标高不代表模型好，例如KS高但AUC低，说明模型只在某个阈值附近表现好，整体排序能力弱。
2.4 模型评估指标选择建议
不同风控场景对模型能力的要求不同，指标选择也应有所侧重：
- 信贷审批：重点关注KS和AUC，确保模型在整个分数区间都有稳定的区分能力。
- 反欺诈：重点关注Lift@5%或Lift@10%，因为欺诈样本占比极低，需要模型在头部样本中高效捕获。
- 额度管理：综合使用KS和Lift，既要区分好坏客户，也要在特定分数段精准定价。
- 模型监控：定期计算KS和AUC的衰减情况，Lift用于监控头部风险捕获能力是否下降。
实战建议： 在LightGBM建模中，建议同时输出KS、AUC、Lift@10%三个指标。如果KS > 0.5且AUC > 0.8且Lift@10% > 5，说明模型在全局排序、最大区分点和头部风险捕获三个维度都表现优秀，可以放心上线。