评分卡算法是金融风控中最常用的信用评估方案，基于二分类模型如逻辑回归或XGBoost，强调模型的强解释性。它包括分箱和评分两部分，确保每个分数有明确的解释。评分卡涉及申请评分卡、行为评分卡和催收评分卡，通过分箱算法（有监督和无监督）提升预测重要性，并使用WOE和IV指标评估。最后，通过评分算法将分数映射到合理区间。
背景
信用是一切社会金融体系的根本，有了每个人的信用我们才可以进行放贷、共享充电宝、共享单车等业务。如果可以准确的给每个社会成员的信用做一个打分，将对金融业务的推进有很大作用，很多相关业务的企业也在探索如何实现信用分。
目前业内最通用的方案是评分卡算法，这个算法底层其实就是简单的二分类模型，将逻辑回归或者xgboost进行封装。但是为什么不能直接使用xgboost甚至深度学习算法做信用评估呢？因为金融业务有自己的特殊性，要求模型需要有强解释性，所以评分卡解决方案经常包含分箱和评分两个模块。就是为了做到每个分数的强解释性。
评分卡模型解释性通过一个例子介绍什么叫强解释性。以下图为例：
这是一个评分卡算法的部分特征数据展示，有年龄、性别、婚姻状况、学历、月收入。评判每个人的分数也很容易：
客户分=基准分+年龄分+性别分+婚姻状况分+学历分+月收入分
所以在评分卡体系中，每个人的分数都会拆分成很多子模块，这些子模块的分数的和，跟基准分加到一起就是信用
最低0.47元/天 解锁文章
扫一扫
743
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
