信用分建模

信用分模型

目前有$n$个样本，每个样本表示一个贷款客户的信息。则第$i$个样本表示为 { x i . y i } \{x_i.y_i\} {xi​.yi​}，其中 y ∈ { 0 , 1 } y\in \{0,1\} y∈{0,1} 0代表正常，1代表逾期
写成矩阵的形式：
$$X=\left\{\begin{array}{rlrlrlrlr}1& & x_{1,1}& & x_{1,2}& & ...& & x_{1,r}\\ 1& & x_{2,1}& & x_{2,2}& & ...& & x_{2,r}\\ ...& & ...& & ...& & ...& & ...\\ 1& & x_{n,2}& & x_{n,3}& & ...& & x_{n,r}\end{array}\right\}$$
$$Y=(y_1,y_2,...,y_n{)}^T$$

对客户$i$而言，如果其逾期的概率是$p_i$，那么其正常的概率就是$1-p_i$ ，一个客户要么逾期要么正常，逾期和正常的概率之和必然是1。
因为需要根据$X$评估用户$i$是否会逾期。所以可以考虑使用最常见的广义可加模型，其中线性模型最为简单。
如下所示：:

另外，又考虑到概率$p_i$的值域是$[0,1]$区间，T希望输出的函数值在这个值域。因此再嵌套一层函数以变换值域：

显然，上式的值域一定是在[0,1]区间的，这里使用logsitic函数是因为$e^{z_i}$在微分求导上更便利。
样本$x_i$对应的借款人，可能是逾期，也可能是正常，可以用一个公式同时表示这两种情况：

P i = P ( y i ∣ x i β i ) = ( p i ) y i ( 1 − p i ) ( 1 − y i ) y i ∈ { 0 , 1 } P_i=P(y_i|x_i\beta_i) = (p_i)^{y_i}(1-p_i)^{(1-y_i)}\\y_i \in \{0,1\} Pi​=P(yi​∣xi​βi​)=(pi​)yi​(1−pi​)(1−yi​)yi​∈{0,1}
对n个样本而言，样本之间是相互独立的，因此对所有样本而言，其全体概率是:
$L(\beta )={\prod }_{i=0}^n{P}_i$
那么我们就需要对其中的参数${\beta }_j$进行估计，也就是让$L(\beta )$的值最大，这里采用的是极大似然估计,这样就可以得到损失函数：
$min$ $$l{n}^{L(\beta )}=-\frac{1}{m}\sum (y_i\frac{1}{p_i}+(1-y_i)\frac{1}{(1-p_i)})$$
得到损失函数以后，我们再使用梯度下降法求得近似最优解.

评分卡模型建立

评分卡的分值分配，由比率决定。例如，一个评分卡可以设定，评分每降低$20$分，违约的比率升高一倍，$600$分账户的违约比率是$620$ 分账户的两倍。每个得分对应一个特定的违约比率，便于控制预期违约账户。

设
$$\begin{array}{r}Odds=\frac{p_i}{1-p_i}\end{array}$$
$Odds$(几率):不违约概率与违约概率的比值
公式$odds$做个变形，也就有：
$$\begin{array}{r}{p}_i=\frac{Odds}{1+Odds}\end{array}$$

评分卡的信用分计算：
$$\begin{array}{r}Score=A-B\ln (Odds)\end{array}$$

其中，A和B是常数。如果违约率$p$很小，那么Odds是一个正的小数，比如0.01、0.02，表示逾期概率很低，此时$ln(Odds)$是大的负数，$Score$的分数高。反之可知$Score$的分数低。

计算A和B：

我们使用PDO（指定的违约概率翻倍的分数）方法来计算A，B

1.设定某个比率为${\theta }_0$的对应的分值是$p_0$，然后，比率为$2{\theta }_0$的点的分值是$p_0+PDO$。

2.将上述两个设定带入公式，有如下两个等式：

$$\begin{gathered} \begin{array}{r}{p}_0=A-B\ln (\theta )\end{array} \\ \begin{array}{r}{p}_0+PDO=A-B\ln (2\theta )\end{array} \end{gathered}$$

3.两个等式联合求解，可得：
$$\begin{array}{rl}B& =\frac{PDO}{\ln (2)}\\ A& =p_0+B\ln ({\theta }_0)\end{array}$$

4.计算示例，违约比$Odds=\frac{1}{60}$的时候，是合理的违约比，此时对应的分值是$p_0=600$分，违约比每翻倍，分数变小$20$分，也就是PDO=$20$。那么，根据上述公式可以求出 $A=481.86$，$B=28.85$，也就是$Score=481.89-28.85ln(Odds)$。如果$Odds=\frac{1}{30}$，增加一倍，则$Score$经过计算可得是$580.01$，四舍五入后是$580$，符合预期。

评分卡的模型建立

现在，我们重另外一个角度解释分箱的意义：
首先，我们知道：
$$ln(\frac{p_i}{1-p_i})=z_i$$
那么公式
$$\begin{array}{r}Score=A-B\ln (\frac{p_i}{1-p_i})\end{array}$$
可以变形为
$$\begin{gathered} Score=A-B({\beta }_0+{\beta }_1{x}_{i,1}+...+{\beta }_r{x}_{i,r}) \\ Score=A-B{\beta }_0+B(-{\beta }_1{x}_{i,1}-...-{\beta }_r{x}_{i,r})\text{\hspace{1em}(0)} \end{gathered}$$
计算信用分，还可以进一步简化。根据上式计算信用分，需要$x_i$和多个参数进行计算，让操作人员使用直接使用这些参数是不合适的，首先结算结果解释性不清晰，其次核查每个属性对信用分产生的影响略显复杂。因此，简化的预期是，
第一，一线人员不需要记住$A$、$B$、${\beta }_j(j-0,1,...,r)$、$p_0$等参数
第二，要知道$x_i$的每个属性变量对信用分的贡献，大小多少。

举例来说，年龄$age$是一个属性。信用分计算使用年龄属性，与其把年龄数值代入公式(0)进行计算，不如把进行分段，比如$age<18$是一段，对应一个分值，比如10分，$18\le age\le 35$是一段，对应一个分值，比如20分，$age>35$是一段，对应一个分值，比如15分。这样在计算信用分的时候，根据年龄所在的分段，查找分数。其他属性以此类推，把所有变量对应的分数加起来，再加上基础分，就得到信用分。

这样就可以从实用角度推导出分箱的必要性。
那么如果把年龄进行分箱，在计算公式(0)的时候，就不能再使用年龄的数值–用什么数据拟合才可以用什么数据预测，用年龄数值拟合的结果不能用年龄分段值进行预测。因此，每个年龄段需要用这个年龄段对应的一个值，替换掉年龄值，进入公式(0)做计算。
每个年龄段用一个值替换，这个值，在本质上需要能反应该年龄段对判别用户是逾期和正常的“价值”。所谓价值，比如说，全部样本有100个，其中正常的是90个，逾期的是10个，其中，$age<18$的样本有30个，这30个样本里，正常的是10个，逾期的是20个，那么，$age<18$这个年龄段对判断逾期，就是有“价值的”，因为这个年龄段逾期的密度比较高。如果$age<18$的样本有30个，这30个样本里，正常的是27个，逾期的是3个，那么，$age<18$这个年龄段对判断逾期，就是没有“价值的”，因为这个年龄段逾期的密度跟全部样本的逾期密度是一样的。

由此，我们找到一个估算一个分段的价值度量，就是Weight of Evidence：

其中，$k$表示一个属性的第$k$个分段，$n_k^{good}$表示这个分段对应的样本里正常还款的数量，$n_k^{bad}$表示这个分段对应的样本里逾期还款的数量，$n_{all}^{good}$表示所有样本里正常还款的数量，$n_{all}^{bad}$表示所有样本里逾期还款的数量。
一般写作：

以此类推，可以计算每个属性变量的每个分段的$WOE$
当拥有了WOE这个工具以后，我们就可以计算特征对于预测函数的贡献程度，使用IV进行判断，不过这属于特征工程的部分，这里就不展开讨论了：

引入$WOE$之后，计算流程如下：

1.对公式公式(0)的每个变量，进行分段。分段方式有多种，也可以根据具体场景自行设计。分段之后，计算每个变量的每个分段的$WOE$值。然后，根据$x_{i,j}$对应的分段，用$WO{E}_k$替换$x_{i,j}$。最终，公式$(???)$所有的值，都是各种$WOE$的值，不再有$x_{i,j}$的值了。

2.后续其他流程完全不变。

评分卡标准形

引入WOE之后，公式(0)变成如下形式
其中，$(-{\beta }_1{x}_{i,1})$被$(-{\beta }_1({\delta }_{i,1,1}WO{E}_{1,1}+{\delta }_{i,1,2}WO{E}_{1,2}+...+{\delta }_{i,1,k_1}WO{E}_{1,k_1}))$替换。$x_{i,1}$是第$i$个样本的第$1$个属性变量，这个数量变量在分段阶段被分为$k_1$段，$WO{E}_{1,k_1}$表示第$k_1$段的$WOE$。${\delta }_{i,1,1}$表示，如果变量$x_{i,1}$的值在第1个分段，那么${\delta }_{i,1,1}=1$，如果变量$x_{i,1}$的值不在第1个分段，${\delta }_{i,1,1}=0$，这个变量的目的是让公式(0)的形式整齐。其他以此类推。

每个属性变量被切分成多少个分段是不确定的，肯定是互相不一样，因此需要分别表示，比如第$r$个属性变量，被切分成$k_r$段。

这样，计算信用分就变成了如下流程：

1.基础分是$A-B{\beta }_0$

2.对于第一个属性，如果它的值在该第一个分段，增加分值$-{\beta }_1{\delta }_{1,1}WO{E}_{1,1}$，如果它的值在第二个分段，增加分值$-{\beta }_1{\delta }_{1,2}WO{E}_{1,2}$…，由此，计算出第一个属性对应的分值，然后累加到基础分上。

3.以跟2.同样的步骤，处理所有属性变量，得到最终的信用分。
反映在程序上，就是将