fico风险评分_信用评分尺度变换方法

风控业务背景

大家耳熟能详的一些信用评分就是最终以这种形式呈现，例如：

1. 芝麻分的分值范围为350～950，分值越高代表信用越好，相应违约率相对较低，较高的芝麻分可以帮助用户获得更高效、更优质的服务。（摘自：芝麻信用官网）
2. FICO分的分值范围为300～850，分数越高, 说明客户的信用风险越小。

那么如何将逻辑回归概率分映射为这种整数形式的分数呢？本文将详细介绍2种常见的尺度变换（scaling）方法。

目录
Part 1. 逻辑回归评分卡建模流程简介
Part 2. 基于Points & Odds & PDO的尺度变换
Part 3. 基于Worst & Best Scores的尺度变换
Part 4. 总结
致谢
版权声明
参考资料

Part 1. 逻辑回归评分卡建模流程简介

在《风控模型开发流程标准化》中，我们详细介绍了信用评分建模流程。略去单变量筛选等步骤，逻辑回归评分卡的制作过程，主要包括：

• step 1. 变量WOE分箱映射
• step 2. 逻辑回归参数估计
• step 3. 概率分数尺度变换

1. 变量WOE分箱映射

图 1 - WOE分箱曲线

如图1所示，我们对某个单变量进行WOE变换，基本要求是保证WOE曲线保持单调性。但这并不是绝对的，若能从业务上解释不单调的原因也可以，例如：对于数据源未覆盖的样本都落入null分箱中。

式

中，

和

分别代表第

个分箱里的坏人数和好人数。

和

分别代表整体的坏人数和好人数。

经过WOE编码后，变量

离散化为有限个值，即

。为便于后续对原始变量进行映射，可将图1结果保存为表格形式，如图2所示。

图 2 - WOE分箱编码表

我们按此WOE编码逻辑，完成对原始变量映射转换处理。以变量

为例，映射规则为：

case when x1 <  0.02377 then 0.545
     when x1 >= 0.02377 and x1 < 0.02535 then 0.346
     when