信用评分模型概述

依发展母体区分

• 通用性评分
• 征信机构评分
• 客制化评分

依使用时机区分

• 进件评分
• 行为评分
• 催收评分

评分模型开发

1. 确定评分目的
2. 建模指标的基本定义
3. 资料准备
4. 变量分析

变量的形态分为连续变量和间断变量；

单因子分析，将变量分组，分组原则为组间差异大，组内差异小。分组占率不低于5%，各组必须同时拥有好坏客户。

WOE迹象全数，ln(正常件占比/违约件占比)，违约件占比高时WOE为负数，WOE绝对值越大表示好坏用户区分程度越高。

IV信息值，（正常件占比-违约件占比）* WOE。

信息值的预测能力

信息值	解释能力
<0.03	无预测能力
0.03~0.09	低
0.10~0.29	中
0.30~0.49	高
>=0.50	极高

为了提高信息值，需要合并WOE相近的组别。然后将长清单变量经过排除高度相关、趋势异常等操作变为短清单变量集合。

5.建立模型

样本不均衡采用采样的方式控制好坏比率在3：1~5：1，通过交叉验证，用逻辑回归建模。

 

 6.婉拒推论

建模时仅使用核准案件而把婉拒案件排除在外，会造成模型偏误，无法观察其实际绩效表现，也无从得知哪些案件遭到误判，因此需要根据婉拒推论推测婉拒案件的好坏，以进行模型修正，使未来模型的预测更接近真实情况。

单纯扩充法、分群法

7.效力验证

样本外验证、时间外验证

a.区隔力指标

K-S value的解释能力

K-S value	解释能力
<0.20	无
0.21~0.40	低
0.41~0.50	中
0.51~0.60	高
0.61~0.75	极高
>0.9	太高，可能有问题

基尼系数的解释能力

基尼系数	解释能力
0	无
0~0.4	低
0.4~0.6	中
0.6~0.8	高
>0.8	极高

b.稳定度指标

PSI稳定度指标

PSI	模型稳定度
>0.25	低
0.1~0.25	中
<0.1	高

参考书籍《互联网金融时代消费信贷评分建模与应用》