2. 信用评分基础：FICO评分原理、评分卡模型简介、评分与违约概率的关系

信用评分是量化借款人信用风险的核心工具，它将复杂的信用历史转化为一个简洁的数字，为金融机构提供统一的决策依据。本章将深入剖析全球最主流的FICO评分原理、工业界广泛使用的评分卡模型，并揭示评分与违约概率之间的数学映射关系。

2.1 FICO评分原理

FICO评分由Fair Isaac Corporation开发，是北美地区使用最广泛的个人信用评分体系。其核心思想是通过统计模型，从个人信用报告中提取关键特征，预测其在未来24个月内发生信贷违约（逾期90天以上）的概率。

2.1.1 五大评分维度与权重

FICO评分并非黑箱，其构成由五大类因素组成，每类因素对最终分数的贡献权重不同：

2.1.2 FICO评分区间与风险等级

FICO评分范围通常在300-850分之间，分数越高，代表信用风险越低。不同区间对应不同的风险等级和信贷策略：

• 800-850：卓越 —— 最低违约率，享受最优利率和最高额度。
• 740-799：优秀 —— 违约率极低，自动审批通过率高。
• 670-739：良好 —— 平均风险水平，标准审批流程。
• 580-669：一般 —— 风险显著上升，可能需要额外担保或较高利率。
• 300-579：较差 —— 高风险群体，通常被拒绝或仅限次级贷款。

2.2 评分卡模型简介

评分卡（Scorecard）是信用评分在工业界落地的最经典形式。它将复杂的逻辑回归模型转化为可解释的、加分的表格形式，便于业务人员理解和监管审查。

2.2.1 评分卡的核心结构

一张标准的评分卡由多个特征变量组成，每个变量被划分为若干分箱（Bin），每个分箱对应一个特定的分数。最终信用评分等于基础分加上所有特征分箱得分的总和。

2.2.2 评分卡开发流程

构建一个稳健的评分卡通常遵循以下标准步骤：

1. 数据准备与清洗： 收集历史信贷数据，处理缺失值、异常值，定义好客户（Good）与坏客户（Bad）的标签（通常以逾期90天为界）。
2. 特征工程与分箱： 对连续变量（如年龄、收入）进行最优分箱，确保每个分箱内违约率单调且具有业务解释性。
3. 模型训练： 使用逻辑回归（Logistic Regression）拟合特征与违约概率之间的关系。逻辑回归因其可解释性强，成为评分卡建模的首选算法。
4. 分数转换： 将逻辑回归的系数（权重）通过线性变换转换为整数分数，设定基础分和PDO（Points to Double the Odds，即评分每增加一定分数，好坏比翻倍的倍数）。
5. 模型验证与监控： 使用KS值、AUC等指标评估模型区分度，并在上线后持续监控评分分布的稳定性（PSI）。

2.3 评分与违约概率的关系

信用评分本质上是对违约概率（Probability of Default, PD）的一种反向映射。分数越高，违约概率越低，二者之间存在严格的数学转换关系。

2.3.1 从逻辑回归到评分

在评分卡模型中，违约概率与评分的关系由以下公式定义：

Odds = p / (1 - p)   // 好坏比，p为违约概率
Score = Offset + Factor * ln(Odds)

其中：
- Offset（偏移量）：基础分对应的对数好坏比。
- Factor（刻度因子）：控制评分每变化多少分，好坏比翻倍（PDO）。
- 通常设定：当Odds = 1:1时，Score = 600；PDO = 20（即评分每增加20分，好坏比翻倍）。

2.3.2 评分与违约概率对照表

以下是一个典型评分卡中，评分与违约概率的对应关系示例：