重磅分享--基于违约概率跟odds的经验评分

关注 “番茄风控大数据”，获取更多数据分析与风控大数据的实用干货。  

在评分卡没有上线之前或者在评分卡之外的变量，经常需要对相应的变量进行标准化的分数的转化。如何计算相应的评分？相信很多做规则策略的同学，还有做模型的同学都疑惑于此？今天这篇文章，重点分享这个知识点。

学习了今天的方法，不需要做一套评分卡，简单些用违约率跟ODDS就能做具体的变量打分。

先展示下评分结果，再拆解下具体的算法过程。具体的表格的呈现结果：

上面展示的结果，主要由两部分组成：
Part1：每个变量的评分，而且具体同个变量，因为不同的取值都会有不同的分值；
Part2：评分之后的额度授信情况。

以下详细来介绍Part1，如何进行变量的评分。

一．ODDS  

ODDS，比率。基于部分读者因为没有做过模型，为了将此概念介绍清楚，详细介绍下他的来源。

Odds，可能性，機會，机率，概率，统计学上称为发生比。

Wiki这样解释：

在统计和概率理论中，一个事件或者一个陈述的发生比（英语：odds）是该事件发生和不发生的比率，公式为：P/(1-P)，P是该事件或陈述的概率）。
例如，如果一个人随机选择一星期7天中的一天，选择星期日的发生比是
1:6。不选择星期日的发生比6：1。
发生比其实是一种相对概率。一般来说，普通大众不太使用发生比来描述概率。
发生比可以用小数表示，也可以用比率表示。例如0.25或者1:4。

那ODDS跟我们此次所使用的算法又有什么关系？做过模型的同学就比较了解，在评分模型使用的逻辑回归的算法中求出来的概率P，如上面介绍，在经过转化之后就能转化成ODDS,如下：

而odd是加上LN转换之后才能变成每个多项式的累加：

所以，ODDS显得特别重要。原来算出来P之后，还需要算出1-P,才能得到ln（odds），最后才能算出来整个模型的分值。

二．违约率巧妙运用  

接下来的一个步骤，是整一part最关键的一步：引入每个变量的违约率。

最后我们在基于经验的转化为标准化的分数的时候，我们巧妙的引入每个变量的逾期率，让逾期率替换掉逻辑回归跑出来的整体违约率，并求出求具体的ODDS。

三．确定A跟B的系数  

最后关键的一步了，求标准分数转换中的A跟B.首先先介绍下A跟B是什么样的系数。

因为标准的分数转化实际如下所示，具体的分值前都带有系数A跟B,大家可以理解为调整的系数，此系数的作用为方便调整分数的比例跟大小等。

试想一下，如果没有A跟B，直接score=B1X1+B2X2+B3*X3，不能让我们随着自己的喜好偏移和缩小倍数，因此我们发明了A跟B这两个系数。

那如何求A跟B的系数，在标准的评分模型中，根据两个等式就能知道如果求系数，如：

上图中，P、log、pdo都是已知的，所以有两个一元一次方程求两个系数，能得到结果。

所以参考这样的思路模式，我们将求系数的方法运用到此次的经验评分中。

我们依葫芦画瓢，也将违约率跟ODDS的两个等式列好，两个等式分是，设定的最高分、与设定的平均分，还有对应的ODDS：

上述图表中，最右边标黄的odds是根据公式算出来的，各位读者，理解完ODDS的求导后，应该能根据逾期率来算这个odds了。并且通过设置的最高分与平均分，这两者关系求出A与B的值。

总结  

借鉴了标准评分卡的算法，结合一些客户画像的标签，快速给具体的客户打分。这里面巧妙地地将违约概率值转换变量的违约率，缩减大量建模的过程；并且运用了ODDS的方法，根据两个算式，转化为了标准分数，而不是拍脑袋似地拍出个分数，此方法值得大家了解学习。

最后，是关于额度授信的，这个内容看一下原始表格就能了解，不再这里详细介绍。
---------------------- --------------------- ------------------------------------- ----------------------
十年职场生涯，这个长期混迹在风控界和科技界，摸爬滚打的大叔，曾经就职于全国最大的固网运营商平台、国内最大的ERP软件公司和一家老牌的互金公司，如果你想了解他，欢迎关注 “番茄风控大数据”一起学习一起聊！