1. 信用评分模型概述
1.1 信用评分卡的定义
信用评分卡（Credit Scorecard）是金融风控领域最经典、最成熟的量化决策工具。它将借款人的历史行为、人口属性、还款能力等多维信息，通过统计建模转化为一个可解释的分数，用以预测借款人未来发生违约的概率。
一张标准的信用评分卡通常包含以下核心要素：
- 评分区间：例如 300–850 分，分数越高代表信用风险越低。
- 特征变量：如年龄、收入、负债比、征信查询次数等。
- 权重与分值：每个特征的不同取值对应不同的分数贡献。
- 决策阈值：如“650 分以上通过，550–650 分人工审核，550 分以下拒绝”。
核心公式（逻辑回归评分卡）：
Score = Offset + Factor × ln(Odds)
其中 Odds = p/(1-p)，p 为违约概率；Offset 和 Factor 为预设的刻度参数。
Score = Offset + Factor × ln(Odds)
其中 Odds = p/(1-p)，p 为违约概率；Offset 和 Factor 为预设的刻度参数。
1.2 发展历史
信用评分卡的发展经历了从人工经验到数据驱动的四个关键阶段：
| 阶段 | 时间 | 核心方法 | 代表事件 |
|---|---|---|---|
| 萌芽期 | 1940s–1960s | 专家判断、5C 原则 | 美国银行家首次使用“信用调查”表格 |
| 统计期 | 1970s–1990s | 判别分析、逻辑回归 | FICO 公司推出通用评分卡 |
| 机器学习期 | 2000s–2015 | 决策树、随机森林、GBDT | Lending Club 等 P2P 平台兴起 |
| 深度学习与可解释期 | 2016–至今 | 深度神经网络、SHAP、LIME | 监管要求模型可解释性，评分卡回归主流 |
行业共识：尽管深度学习在风控领域取得进展，但信用评分卡因其强可解释性、监管合规性、稳定可审计的特点，至今仍是银行、消费金融公司核心风控系统的首选模型架构。
1.3 在金融风控中的核心地位
信用评分卡在金融风控体系中处于“承上启下”的枢纽位置。它不仅是贷前审批的决策依据，也是贷中监控、贷后催收策略的基础输入。以下从三个维度说明其核心地位：
- 决策自动化：评分卡将人工审批流程转化为机器可执行的规则引擎，实现秒级响应，大幅降低运营成本。
- 风险定价：基于评分区间制定差异化利率和额度，实现风险与收益的精细匹配。
- 监管合规：评分卡的分段逻辑、变量权重、拒绝原因均可追溯，满足巴塞尔协议、央行征信管理办法等监管要求。
1.4 评分卡与模型监控的关系
信用评分卡上线后并非一成不变。随着宏观经济、客群结构、业务策略的变化，评分卡的预测能力会逐渐衰减。这种衰减通常表现为：
- 分数分布偏移：整体评分向高分段或低分段移动。
- 变量区分度下降：原本有效的特征（如收入负债比）不再能有效区分好坏客户。
- 违约率倒挂：高分段客户的违约率反而高于低分段客户。
关键警示：如果不建立持续的模型监控机制（如 PSI 漂移告警），评分卡可能在不知不觉中失效，导致审批策略误判、坏账率飙升。这正是本课程后续章节要深入讲解的核心内容。
下表总结了评分卡生命周期中常见的监控指标及其含义：
| 监控指标 | 全称 | 监控频率 | 告警阈值 |
|---|---|---|---|
| PSI | 群体稳定性指标 | 月度/周度 | > 0.1 轻度漂移，> 0.25 严重漂移 |
| KS | 区分度指标 | 月度 | 下降超过 20% 需关注 |
| AR | 准确率 | 季度 | 下降超过 15% 需重新训练 |
| Lift | 提升度 | 月度 | 低于 1.5 需检查变量有效性 |
通过上述指标，风控团队可以及时发现评分卡性能衰退，并触发模型重建、策略调整或拒绝推断等应对措施。本课程将重点围绕 PSI 漂移告警 展开，深入讲解其原理、计算方法、阈值设定及在信用评分中的实战应用。