逻辑回归评分卡分数映射

本文转自https://github.com/xsj0609/data_science/tree/master/ScoreCard

一、评分卡逻辑

 　信贷业务评估的是客户的客户违约率（Percent of Default）即PD，是[0,1]的概率，比如2%即100个客户中有2个违约，简称为p。

 　评分卡中不直接用客户违约率p，而是用违约概率与正常概率的比值，称为Odds，即
$$Odds=\frac{p}{1-p}$$
$$p=\frac{Odds}{1+Odds}$$
 　评分卡的背后逻辑是Odds的变动与评分变动的映射（把Odds映射为评分），分值是根据Odds的前提条件算出来的，不是人工取的。以单个客户在整张评分卡的得分的变动（比如评分从50分上升到70分）来反映Odds的变动（比如Odds从5%下降至1.25%），以及背后相对应的客户违约率PD的变动（比如从4.8%下降到1.2%）。违约率PD不直观、业务看起来不方便、不便计算，而评分就很直观、便于计算。如图所示。

二、评分映射公式

 　Odds映射为评分的公式为：
$$Score=A-Blog(\frac{p}{1-p})$$
<1> 预设条件
 　要算出系数A、B的话，需要从业务角度先预设两个前提条件：

1. 在某个特定的比率${\theta }_0$设定特定的预期分值$P_0$
2. 指定比率翻番时分数的变动值（PDO）

解释：

1. 比如根据业务经验，消费金融信贷的客户违约率4.8%算正常（${\theta }_0$=Odds=5）。预设评分卡的分值为0-100分，那取预期分值$P_0$为50分，并指定当Odds按双倍上下浮动时（比如2.5%或10%），分值则对应上下变动10分（比如60分或40分）。
2. 这里=5%是根据业务经验来的，没有数学依据；
3. 0-100分是根据做评分卡的需要来的，没有数学依据。要是想做成600-1000分的评分卡也可以，修改对应的$P_0$和PDO就行；
4. $P_0$=50分是根据0-100分来的，也可以取45分或73分，不重要。重要的是随着Odds翻番变动时，分数也随之变动的联动变化体系（你翻番我就变PDO=10分）

<2> 求解A、B
 　设定好${\theta }_0$、$P_0$、PDO后，联动变化为：Odds( θ