2. 风控模型基础回顾：评分卡模型、机器学习模型与深度学习模型
在进入 Champion Challenger 实战框架之前，必须对风控领域三类核心模型——评分卡模型、机器学习模型与深度学习模型——有清晰的认识。这三类模型在应用场景、可解释性、数据需求与部署成本上存在显著差异，理解其本质是后续模型评估与选型的基础。
2.1 评分卡模型：传统风控的基石
评分卡模型（Scorecard）是金融风控领域最经典、最成熟的建模方法，以逻辑回归为核心算法，通过 WOE（Weight of Evidence）编码与分箱技术将原始特征转化为可加分的评分项。
核心特征： 高可解释性、监管友好、计算成本低、适合结构化表格数据。
2.1.1 评分卡建模流程
- 数据准备与清洗： 处理缺失值、异常值，定义好/坏样本窗口期。
- 特征分箱： 对连续变量（如年龄、收入）进行等频或等距分箱，对离散变量合并稀疏类别。
- WOE 编码： 计算每个分箱的 WOE 值，替代原始特征值进入模型。
- IV 值筛选： 基于 Information Value 筛选预测能力强的特征（IV > 0.02 为有效，IV > 0.3 为强预测力）。
- 逻辑回归建模： 以 WOE 值为输入，训练逻辑回归模型，输出违约概率。
- 评分转换： 将概率映射为整数评分（如 300~850 分），设定基准分与 PDO（Points to Double the Odds）。
2.1.2 评分卡模型应用场景
| 场景 | 说明 | 典型示例 |
|---|---|---|
| 申请评分（A卡） | 贷前准入与额度审批 | 信用卡申请、消费贷审批 |
| 行为评分（B卡） | 贷中额度调整与风险监控 | 信用卡额度管理、循环贷调额 |
| 催收评分（C卡） | 贷后催收策略分层 | 逾期客户催收优先级排序 |
实战提示： 评分卡模型在监管合规要求严格的场景（如银行核心信贷）中仍是首选，因为其评分逻辑可完全追溯，满足模型可解释性审计要求。
2.2 机器学习模型：XGBoost 与 LightGBM
以 XGBoost 和 LightGBM 为代表的梯度提升树模型，在近十年内成为风控领域的主流选择。它们能够自动处理非线性关系、特征交互与缺失值，在 AUC、KS 等指标上通常显著优于评分卡模型。
2.2.1 XGBoost 与 LightGBM 核心差异
| 对比维度 | XGBoost | LightGBM |
|---|---|---|
| 树生长策略 | Level-wise（按层生长） | Leaf-wise（按叶生长，带深度限制） |
| 分裂点寻找 | 预排序 + 近似算法 | 基于梯度的单边采样（GOSS） |
| 类别特征处理 | 需手动 One-Hot 编码 | 原生支持类别特征 |
| 训练速度 | 较慢（大数据集下） | 快（通常 2~5 倍于 XGBoost） |
| 内存占用 | 较高 | 较低 |
| 默认参数鲁棒性 | 较好，不易过拟合 | 需更精细调参，易过拟合 |
2.2.2 机器学习模型在风控中的应用场景
- 反欺诈识别： 利用 XGBoost 处理高维稀疏特征（如设备指纹、IP 地址、行为序列），识别团伙欺诈与异常交易。
- 贷前信用评估： 在申请评分卡基础上叠加 GBDT 模型，提升对复杂客户群体的区分能力。
- 贷中行为监控： 使用 LightGBM 处理高频交易流水数据，实时预测客户违约概率变化。
- 额度定价： 结合用户收入、负债、消费行为等多维特征，输出差异化利率与额度。
注意： 机器学习模型的可解释性弱于评分卡模型。在监管要求严格的场景中，需配合 SHAP、LIME 等可解释性工具使用，或采用“评分卡 + 机器学习”的集成策略。
2.3 深度学习模型在风控中的应用
深度学习模型（如 DNN、LSTM、Transformer）在风控领域的应用主要集中在非结构化数据与时序行为建模场景。虽然其可解释性更弱、训练成本更高，但在特定任务上能带来显著的性能提升。
2.3.1 典型应用场景
| 场景 | 模型类型 | 输入数据 | 优势 |
|---|---|---|---|
| 文本反欺诈 | BERT / RoBERTa | 申请文本、聊天记录、合同条款 | 捕捉语义层面的欺诈信号 |
| 时序交易风控 | LSTM / GRU | 交易流水序列、登录行为序列 | 建模长期依赖与行为模式 |
| 图关系反欺诈 | GNN（GCN / GAT） | 设备-用户-IP 关系图 | 识别团伙欺诈与复杂关联 |
| 多模态风控 | 多模态 Transformer | 文本 + 图像 + 结构化数据 | 融合多源异构信息 |
2.3.2 深度学习模型的挑战
- 数据需求大： 通常需要百万级以上样本才能发挥优势，小样本场景下不如 GBDT。
- 可解释性差： 模型内部机制难以直接解释，监管审计难度高。
- 训练与部署成本高： 需要 GPU 资源，推理延迟可能影响实时风控。
- 过拟合风险： 在风控数据噪声较大的情况下，容易学习到非稳定的模式。
实战建议： 在风控场景中，深度学习通常作为“增量模型”使用，与评分卡或 GBDT 模型形成集成，而非完全替代传统模型。例如，使用 LSTM 提取时序特征后，将特征输入 XGBoost 进行最终预测。
2.4 三类模型对比总结
| 维度 | 评分卡模型 | XGBoost / LightGBM | 深度学习模型 |
|---|---|---|---|
| 可解释性 | ★★★★★ | ★★★☆☆ | ★★☆☆☆ |
| 预测性能 | ★★★☆☆ | ★★★★★ | ★★★★☆ |
| 训练速度 | ★★★★★ | ★★★★☆ | ★★☆☆☆ |
| 数据需求 | 低（万级） | 中（十万级） | 高（百万级+） |
| 监管合规 | ★★★★★ | ★★★☆☆ | ★★☆☆☆ |
| 适用数据类型 | 结构化表格 | 结构化 + 部分非结构化 | 非结构化 + 时序 + 图 |
理解这三类模型的能力边界与适用场景，是后续 Champion Challenger 框架中模型选型与评估指标设计的前提。在实战中，通常不会只用单一模型，而是构建“评分卡 + GBDT + 深度学习”的多层模型体系，通过 Champion Challenger 机制持续迭代优化。