评分卡建模—拒绝推断

首先，大家都知道我们的A卡模型时建立在历史数据之上的，而很多被婉拒的用户没有被纳入到评分卡建模的数据集中，这就造成了建模数据的偏差，因此有必要利用拒绝推断来预测这些被婉拒的客户的0-1标签，并纳入到建模数据集中，这样就是根据100%的通过率数据进行建模了。

 

前面小编说道拒绝推断的主要目的是防止建模样本有偏，还有如下几个原因：

1.公司内部策略的变动，导致当前的申请者已不能代表建模时点的申请者，同样，过去的被拒者也不能够代表当前的被拒者。因此，此时使用审批通过的数据进行建模可能会造成误判；

2.增加样本数量，类似于防止样本有偏。

3.利用拒绝推断可以找出被拒绝的好客户，挖掘这些客户，进而改善风控流程，增加公司效益。

 

拒绝推断可适用的范围：

1、高通过率时推断假设不适用，因为无论是高坏账率或者低坏账率，高通过率说明坏账率已经接近原申请样本了；

2、中低通过率适用，配合适当的风控策略，可以找到更多的好人。

 

 

拒绝推断方法：

1.          接受所有的申请者：

此方法是找出被拒绝客户真正表现的方法，不会有太过保守或高估的坏账率。

2.          分配法：

此方法是依据每一个分数区间的好坏重新分配好坏客户，并将拒绝件分配到每一个分数区间中，以下是具体步骤：

1）       已知好坏样本，建立初步模型；

2）       使用初步模型对所有被拒绝件进行评分，并预测他们的预期违约率；

3）      将已知的好坏样本依评分分数高低进行分组，计算各分组内实际违约率；

4）      将被拒件依照3）步的分数进行分组，以各分组的实际违约率做为抽样比例，随机抽取该分组下的被拒件，并指定其为坏，其余为好；

5）      将这些推论的有标签的数据新增加到原有的数据集中，重新建模。

 

3.          硬性截断法：

将所有婉拒件依次打分，并分配到好坏件中，步骤如下：

1）       已知好坏样本，建立初始模型；

2）       使用初始模型对所有被拒件进行打分，并建立预期坏账率P；

3）       设定一个坏账水准区分好坏件，在此坏账率水准之上视为坏件，以下视为好；

4）       将这些推论的有标签的数据新增加到原有的数据集中，重新建模。