【风控】如何构建一款智能风控模型

在信贷风控领域，“模型”是用于风险预测的具体实现，通常表现为数学函数或结构，而“算法”则是构建模型所用的方法，如逻辑回归或决策树。模型是算法应用后的产物，因此可将算法类比为“类”，模型则是由其生成的“对象”。

一、建模流程

在风控建模中，尽管使用的机器学习算法多种多样，但建模流程大致相同，通常包括十个主要步骤：明确问题定义、选择并划分样本、设计模型架构、进行数据准备与描述性分析、完成数据清洗、进行特征选择、进行模型训练与效果评估、部署上线、开展模型监控，以及后续的模型调优。这一系统化流程有助于保障模型的稳定性和预测能力，是构建高质量风控模型的关键。

二、模型开发方法论

2.1 问题定义

下面是对原文内容的优化整理，总结了信贷风控建模中三个关键维度：

1. 预测对象粒度

在实际业务中，由于客户可能存在多笔借款，不同的业务场景下预测对象的定义也不同。常见的粒度有：

• 渠道粒度：同一来源渠道下的借款申请可以聚合成一条记录，用以预测渠道风险。
• 客户粒度：以借款人整体作为一条记录，只要任一借款出现逾期，即视为风险事件。
• 还款粒度：针对每笔借款的每个还款期，单独作为记录，用于预测每次还款是否违约。
  预测对象的粒度直接影响标签定义和特征计算，需根据业务模式和应用策略（如一次性借款、循环额度、催收还款预估等）选择合适的建模粒度。

2. 标签定义

风控模型预测未来风险，因此属于有监督学习。标签是模型需要预测的结果，可以是二元分类（好/坏）或连续变量（如收益、损失）。

• 标签的定义应明确：在何时（观测点）预测未来多长时间内，何种风险事件的发生。
• 观察窗口：用于收集客户行为数据的时间区间，如近3、6、9或12个月内的各项业务数据；
• 表现窗口：用于评估客户表现和确定风险事件的时间段，如6个月的逾期状况。
  

在风险标签定义中，对于如何确定好坏程度和表现窗口的长度，我们需要结合滚动率分析（roll rate analysis）和账龄分析（vintage analysis）

滚动率分析

我们可以采用滚动率分析来衡量客户信用的好坏。滚动率指的是客户在某个观测点之前一段时间内的逾期状态，向该观测点之后一定时期的逾期状态转变的比例。例如，以2020年7月1日为观测点，从中抽取1万名客户，统计他们上一个月的逾期状态，并与当月的逾期状态进行比对，从而计算出状态转化的比例，这一指标能直观反映出客户信用风险的变化趋势。

• (1) 上个月逾期状态为M0的客户，当月有其中97%的客户会继续保持正常状态，保持率为97%，
• 其他3%的客户会恶化为M1，恶化率为3%。
• (2) 上个月逾期状态为M1的客户，当月有其中82%的客户会回到M0状态，即好转率为82%，保持率为12%，恶化率为6%。
• (3) 上个月逾期状态为M2的客户，好转率为75%，恶化率为10%。
• (4) 上个月逾期状态为M3的客户，好转率仅为24%，恶化率为65%。
• (5) 上个月逾期状态为M4的客户，好转率仅为19%，恶化率为72%。
  上个月逾期状态为M3及M3+的客户，好转率已经比较低了，因此，我们可以认为逾期状态为M2+的客户已经足够“坏”，用M2+（逾期天数大于60）来定义“坏”客户较为合适。

账龄分析

在信贷行业，Vintage曲线常用于分析账户的成熟期和风险变化规律。以一个12期还款的信贷产品为例，客户需经历完整的12期还款后，才能准确判断其信用“好坏”；在此之前，只能基于当前还款情况作出初步判断。因此，该产品的完整表现期为12个月。表现期的选择需权衡利弊：表现期越长，风险暴露越充分，但样本距离当前时间较远，数据更陈旧，建模样本与未来数据差异更大；若表现期较短，风险尚未完全显现，但样本更新更及时。为了提升模型预测能力，需要在风险暴露充分性与数据时效性之间取得平衡，选择最合适的表现期。

• （1）在相同MOB的情况下，每个放款月份对应的逾期率逐渐降低，说明客群质量提升，可 能是因为金融机构收紧了风险敞口，或者使用了效果更好的预测模型或反欺诈规则。
• （2）不同月份放款的逾期率在经过MOB6后，上升趋势开始平缓。
  我们以2019年1月为例， 设定表现期为6个月，即可覆盖90%的“坏”客户。 因此，通过分析Vintage曲线，我们可以寻找逾期率开始趋于稳定的时间点，辅助确定表现期长度。

1. Vintage曲线分析的作用

• 在相同MOB（月账龄）下，若不同放款月份的逾期率逐渐降低，说明客群质量在提升，可能是风控策略或模型优化的结果。
• 逾期率在MOB6后趋于稳定，说明以6个月为表现期已能覆盖大部分“坏”客户。通过Vintage曲线可辅助确定合理的表现期长度。

2. 滚动率与账龄分析的结合

• 滚动率分析用于定义客户“好坏”；账龄分析（Vintage）用于判断合适的表现期。结合两者可更全面地覆盖“坏”客户。

3. 样本标签定义示例（以6个月表现期为例）

• 标签为1（坏客户）：6期内发生M2+（逾期60天以上）。
• 标签为0（好客户）：6期已满且无逾期。
• 灰度样本：6期内有逾期但未达M2+，可剔除或纳入“好”客户，依据模型效果决定。
• 不定样本：不足6期且无逾期，不纳入建模。

4. 表现窗口策略

• 硬表现窗口：严格按照6个月表现期取样。
• 软表现窗口：允许样本超过6个月后发生逾期，关注模型排序能力而非严格定义的时间段风险。

3. 细分客群

当整体客户样本存在显著差异时，可将客群进行细分，以提高模型的针对性。细分可基于产品类型、进件渠道、借款期数、区域或借款金额等变量，甚至采用聚类等无监督学习方法。
细分客群的优势在于模型更能捕捉各群体独特的风险模式，应用策略更加灵活；但也存在如下问题：

• 模型数量增加，时间和资源投入随之上升，维护成本提高；
• 各客群内样本量减少，特别是部分客群中的“坏”样本不足可能影响模型准确性。

2.2 样本的选择和划分

1. 样本选择原则

样本选择是模型开发的基础，目的是从历史业务数据中挑选出具有代表性的一部分样本用于建模。在数据量较大的情况下，我们通常不使用全量历史样本，而是依据一定规则筛选具备代表性和时效性的样本，以提升模型的泛化能力与预测准确性。
模型能否在未来场景中有效预测，关键取决于：

建模样本是否能代表未来实际应用中的客户群体。

样本选择四大核心原则：

1. 代表性
   • 样本应能反映未来业务中的主要客群结构。
   • 若产品类型多样，应优先选择未来主推产品相关样本。
   • 对于多子类客群，可采用分层采样确保关键类别覆盖充分。
2. 充分性
   • 样本量应足够大，尤其“坏样本”数量需达到统计显著性（一般需上千条）。
   • 若坏样本比例低，可通过上采样扩充其数量。
   • 建议信用评分模型使用样本量不少于数万条。
   • 注意样本量“并非越多越好”，在信息充分的前提下，过多样本反而增加计算成本而收益有限。
3. 时效性
   • 满足样本充分性后，尽量选用时间接近当前的样本。
   • 客群变化较大的平台（如互联网信贷）对时效性要求更高；银行等稳定业务相对宽松。
4. 排除性
   • 排除因政策调整或异常事件导致行为突变的样本（如某工厂因特殊事件导致逾期异常）。
   • 应将异常时间段作为排除样本或单独实验方案，避免误导模型学习。

⚠️ 注意：建模数据一般来源于历史放款客户，但未来模型使用时是在申请客户中，这就引出了“部分样本估计总体”的问题，后续可通过拒绝推断（Reject Inference）方法解决。

实践建议：

• 在具备条件时，多尝试不同样本组合进行实验对比。
• 样本量与样本质量之间往往存在权衡，理论上最优并不代表实际效果最好。

2. 样本集划分策略

在模型训练过程中，为了合理评估模型效果，需将样本集划分为不同用途：

样本集类型：

1. 训练集（Training Set）：用于模型学习和参数拟合。
2. 验证集（Validation Set）：用于调参和选择最优模型结构。
3. 测试集 / 时间外样本（Test Set / OOT）：用于评估模型最终性能，OOT样本应来自于与训练集时间不重叠的区间。

在风控领域，通常将最新时间段样本作为 OOT 样本，确保真实模拟模型上线后的效果。

样本比例推荐：

• 常规划分比例为：训练集 : 验证集 : OOT = 70% : 20% : 10%
• OOT 样本需关注坏样本数，建议不少于 100 条，否则难以有效评估模型性能。

特殊场景处理：

• 样本量较少时：可省略验证集，采用交叉验证方法在训练集中完成调参。
• 样本极少时：先在少量样本上构建初代模型，再用全部样本（训练 + OOT）重新训练，用于上线测试或做陪跑模型（不参与实际决策）。

2.3 模型架构设计

1. 从数据源角度划分模型架构

模型可分为两类架构形式：

1. 单一模型架构

   • 所有数据源的特征合并后统一建模，直接输出最终模型结果。
   • 优点：结构简单、易部署、数据融合充分。
   • 缺点：对数据预处理要求高，易受不一致特征干扰。

2. 多子模型融合架构

   • 按数据源维度将特征分组，分别建立多个子模型，再通过二次融合（如模型融合器、加权平均、堆叠等）生成最终模型。
   • 适用于数据源维度差异大、时间不一致、特征属性差异明显的情况。
   • 优点：灵活、可扩展，便于模型解释与管理。
     

2. 从其他视角设计子模型策略

1. 按标签定义维度建模

   • 建立多个目标不同的模型（如 DPD10、DPD60 逾期模型，短期/长期表现期模型），分别预测不同维度风险。

2. 按客群细分建模

   • 针对不同用户群体（如新户、老户、白名单客户等）分别建模，再融合结果。
   • 可提升模型在异质客群中的预测精准度。

3. 按建模算法差异建模

   • 使用不同模型算法（如 XGBoost、LightGBM、神经网络等）分别建模，通过模型融合提升整体性能和鲁棒性。

3. 模型架构选择建议

在实践中，不存在唯一最优的模型架构。原因在于：

• 不同业务场景面临的数据质量、特征类型、样本量级、资源条件都存在差异；
• 实验中表现较优的模型结构，在实际环境中可能因数据变化而失效。
  因此，我们建议遵循以下两项原则：
• 奥卡姆剃刀原则

  “如无必要，勿增实体。”
  如果简单架构能满足业务目标，优先考虑单一模型结构，减少复杂度。

• 实验对比驱动选择
  在资源允许的情况下，建议多架构并行试验，选择效果最优的方案。
  特别是在以下场景下，子模型融合架构值得优先考虑：
  • 数据源起始时间不一致；
  • 不同特征维度难以统一预处理；
  • 多标签或多任务并存。

2.4 数据准备和数据描述

1. 数据准备：构建可用、可靠的建模数据集

数据准备是指将原始数据加工为完整的建模数据集，其核心目标是为每个建模样本生成可回溯、可解释的特征变量。
1. 特征构建原则
风控模型的特征通常基于预测目标的粒度（如以“申请”为单位），通过对底层数据进行聚合、汇总等方式加工而成。由于原始数据类型多样，特征通常按照来源或业务模块进行分组。
在生成建模数据时，应确保：

• 所有特征的计算均基于样本对应的观测点；
• 每个特征值必须是在观测点当时即可获取的状态，不得包含未来信息。

这种方式被称为数据回溯（Backtracking），是风控模型构建的基本前提。

2. 避免“特征穿越”（信息泄露）
特征穿越指的是特征中包含了观测点之后的信息，导致模型在训练阶段效果很好，但上线后效果大幅下降。
常见的特征穿越情形包括：

• 只保留了最新信息，无法还原历史状态（如只保存了最新收入信息）；
• 使用了事后才能获取的数据（如还款结果、系统评分等）；
• 特征加工时错误使用了样本标签或未来状态。

3. 穿越问题的排查方法

• 一致性校验：对比回溯计算与线上实时计算的特征值，检查是否一致；
• 效果异常分析：分析特征对标签的预测能力，若某变量 IV 值远高（如 >0.5），可能存在穿越；
• 逻辑回溯分析：逐条检查样本特征的计算逻辑，确保未调用未来信息。

一旦发现不可回溯的特征，需剔除或改为在线实时计算并保存，待积累到足够数据后再纳入建模使用。

2. 数据描述：探索性数据分析（EDA）

数据描述即探索性数据分析（Exploratory Data Analysis, EDA），主要目的是了解特征分布，发现数据问题，辅助后续的数据清洗与特征选择。
1. 常见分析维度

• 缺失率、唯一值个数
• 最大值、最小值、均值、中位数
• 分布形态与趋势性变化
• 与业务逻辑的符合程度

2. 数据质量判断原则
在EDA阶段，重点并非立刻清洗数据，而是判断数据是否合理。例如：

• 缺失率异常：是否为系统问题（如字段升级导致缺失）；
• 数值异常：极端值是否为真实异常或业务设定所致；
• 分布偏移：是否因业务调整、产品改版而导致特征分布发生突变。

2.5 数据预处理

1. 异常值处理

异常值可能源自设备故障、数据采集错误或极端情况，会干扰模型学习规律。常见处理方式如下：

检测方法：

• 箱型图法（IQR）：
  定义上下边界为：

  上边界 = Q3 + 1.5 * IQR  
  下边界 = Q1 - 1.5 * IQR
  

• 3σ原则（适用于近似正态分布数据）：

  异常值范围：均值 ± 3 * 标准差
  

处理方式：

• 替换为边界值（保留信息同时控制影响）
• 替换为均值、中位数或众数（适用于连续型变量）
• 删除（仅在少量异常、对业务影响小的前提下）

2. 缺失值处理

检测方式：

• isnull() 和 sum() 快速查看缺失分布

处理策略：

缺失比例	处理建议
<30%	均值、中位数、众数填补
30%~60%	建议构造缺失标志变量，结合模型判断是否保留
>60%	通常考虑剔除该变量，除非有强业务逻辑支撑

3. 特征无量纲化

常用于需要计算距离或梯度的模型（如逻辑回归、KNN、SVM）。

• 标准化（Z-score）：

  from sklearn.preprocessing import StandardScaler
  scaler = StandardScaler()
  data[['col']] = scaler.fit_transform(data[['col']])
  

• 归一化（Min-Max）：

  from sklearn.preprocessing import MinMaxScaler
  scaler = MinMaxScaler()
  data[['col']] = scaler.fit_transform(data[['col']])
  

4. 特征分箱

用于增强模型稳定性、降低过拟合风险，常用于评分卡模型。

方法：

• 等频分箱：每个箱子数据量相同
• 等距分箱：每个箱子区间长度相同
• 决策树分箱：自动按信息增益分割（监督式）
• 卡方分箱、WOE分箱：结合标签进行最优分割

5. 类别特征编码

用于将字符串类型转为数值型，供模型使用。

编码方法：

方法	说明	适用场景
Label Encoding	按照类别顺序编码为整数	有序类别
One-Hot Encoding	转化为0-1变量	无序类别、类别数较少
Frequency Encoding	替换为每个类别出现频率	类别数较多时可选
Target Encoding	替换为目标变量的均值	有监督建模、需避免泄露

2.6 特征选择

1. 特征选择的意义

特征选择旨在从原始特征中筛选对模型预测效果有提升的子集，其核心目的是提升模型性能与稳定性、降低复杂度和避免多重共线性问题。
必要性：

• 剔除不稳定或冗余特征，增强模型泛化能力；
• 避免特征间多重共线性，确保线性模型解释性；
• 降维、提升训练效率、降低资源消耗；
• 在风险控制中，尤其重视“稳定性”，优先保留长期稳定有效的特征。

2. 特征选择方法分类

1. 包裹法（Wrapper）

• 基于模型性能评估特征子集，计算开销大但精度高；
• 常见方法：
  • 逐步回归：迭代地增减变量，使用AIC/BIC做准则；
  • 递归特征消除（RFE）：多轮训练，逐步剔除重要性最低特征。

2. 过滤法（Filter）

• 利用统计指标进行无监督筛选，适合初筛；
• 通用但预测能力略逊于包裹法；
• 风控中常用指标：缺失率、变异系数、相关性、共线性、IV、PSI

3. 嵌入法（Embedded）

• 借助模型训练过程生成特征重要性，适用于树模型；
• 例：基于XGBoost、LightGBM的特征重要性排序。

3. 常用特征选择指标与方法

✅ 基于特征属性（无监督）

方法	说明
缺失率筛选	缺失率 > 95% 直接剔除；否则使用插值/填充方法处理
变异系数（CV）	$\text{CV}=\frac{\sigma }{\mu }$，CV 越小说明区分能力越弱，应剔除
相关性筛选	使用 Pearson/Spearman/Kendall 相关系数，剔除高度相关特征
多重共线性（VIF）	VIF < 10 安全，10 ≤ VIF < 100 有风险，VIF ≥ 100 建议剔除

✅ 基于特征效果（有监督）

方法	说明
IV（信息价值）	衡量变量与标签的预测能力，IV > 0.1 具备较强预测性
卡方检验	适用于分类变量的显著性检验，用于评估变量与标签相关性

✅ 包裹法实现示例

逐步回归（Stepwise）

import toad
selected_data = toad.selection.stepwise(data, target='label', estimator='lr',
                                        direction='both', criterion='aic', return_drop=False)

递归特征消除（RFE）

from sklearn.feature_selection import RFE
from sklearn.linear_model import LogisticRegression

model = LogisticRegression()
rfe = RFE(estimator=model, n_features_to_select=10)
X_new = rfe.fit_transform(X, y)
selected_rfe_cols = X.columns[rfe.get_support()].tolist()

4. 风险控制视角下建议

• 初筛阶段优先考虑缺失率、变异系数；
• 中期筛选建议结合 IV、PSI、VIF；
• 终筛结合模型包裹法优化模型性能；
• 多模型、多参数组合结果取交集，以提升稳定性和泛化能力。

2.7 特征提取

特征提取（Feature Extraction）是指从原始的高维特征中通过计算得到较少的新特征，从而达到降维的目的。具体而言，它通过学习一个映射函数$f$，将原特征矩阵$X_1$映射到新的特征矩阵$X_2$，其中$X_2$的维度低于$X_1$。
特征选择和特征提取都属于降维方法，它们的目标是减少特征数据集中的特征数量，尽管最终效果相似，但方法不同。特征提取通过属性间的关系，通常是通过组合不同的属性来生成新的特征，这样会改变原始特征空间。而特征选择则是从原始特征中选择一个子集，这种方法没有改变原特征空间。因此，特征提取可能会损失一部分特征信息，选择是否使用取决于具体的应用场景。

特征提取方法大致可以分为两类：线性特征提取方法和非线性特征提取方法。

1. 线性特征提取方法：

   • 主成分分析（PCA）：PCA旨在通过线性变换将样本映射到一个新的空间中，使得映射后的样本具有更大的发散性。它通过最大化样本间的方差来提取最重要的特征，从而达到降维的效果。
   • 线性判别分析（LDA）：LDA的目标是将样本映射到一个新的空间，使得同类样本聚集在一起，而不同类的样本尽量分开，从而优化分类性能。与PCA不同，LDA关注的是类别信息而非方差。

2. 非线性特征提取方法：

   • 局部线性嵌入（LLE）：LLE旨在保持数据点在局部邻域内的线性关系，通过保持样本间局部的几何结构来进行降维。它特别适用于非线性数据的降维。
   • 多维尺度变换（MDS）：MDS通过保持降维后的样本之间的距离不变来进行降维。这种方法特别适合用于保持样本间的相对距离或相似度。

2.8 模型训练、概率转化和效果评估

在进行模型训练时，关键的目标是找到最合适的超参数组合，以优化模型的性能。本文详细介绍了几种常见的模型调参方法，并探讨了模型的评估方式。接下来，我们将重点讨论概率转化、模型效果评估以及模型的泛化能力，尤其在风控场景中的应用。

1. 模型训练

模型训练的目的是通过调整超参数来优化模型的性能，常见的调参方法有：

• 网格搜索：穷举所有超参数组合，选择效果最好的组合；
• 随机搜索：在参数空间中随机采样，通常比网格搜索更有效；
• 贝叶斯优化：通过少量的观测结果高效地找到最优超参数
  训练过程中，通过交叉验证等方法评估模型的效果，最终选出最优的超参数组合，并在完整样本上训练得到最终模型。

2. 概率转化

在风控模型中，通常需要将模型输出的概率转化为评分，以便量化客户的风险。转化公式通常基于log(odds)函数，将概率映射到一个更广的评分区间。这种转化对于信用评分模型、信贷违约预测等场景非常有用。

3. 模型效果评估

评估模型性能时，通常使用以下指标：

• 分类任务指标：包括准确率、精确率、召回率、F1值、AUC、KS值等；
• 回归任务指标：包括RMSE、MAE、MSE和决定系数等。

对于二分类问题，评估模型时会通过混淆矩阵来计算这些指标，如真正例、假正例、假负例和真负例。

4. 模型的泛化能力

泛化能力指的是模型在未来数据上的预测能力。模型的训练误差和测试误差的差距反映了其泛化能力。为了避免过拟合和欠拟合，需要根据验证曲线来调整模型的复杂度，确保模型在训练集和测试集上的表现均衡。

5. 模型业务评价指标

在风控业务中，除了常见的评价指标外，还会考虑以下几个因素：

• 模型排序性：模型是否能够有效区分不同风险等级的客户；
• 相同通过率下的逾期率：在特定业务场景下，比较不同模型在设定通过率下的逾期率；
• 效果与成本平衡：评估加入外部数据源的模型效果与其成本的平衡。
  

2.9 模型部署及上线验证

1. 模型部署

模型部署指的是将经过训练的机器学习模型部署到线上环境中，以供实际使用。在实际应用中，通常需要考虑部署环境和跨语言兼容性。对于基于Python语言开发的模型，常见的保存格式有以下两种：

1. Pickle 格式
   Pickle 是 Python 特有的序列化格式，适用于 Python 环境。如果模型的部署环境也是 Python，则可以直接使用 Pickle 格式来保存和读取模型。此格式具有较快的读取速度，适合 Python 项目的本地化部署。
2. PMML 格式
   PMML（Predictive Model Markup Language）是一种与平台和环境无关的模型表示语言，适用于实现跨平台的模型部署。使用 Python 开发的模型导出为 PMML 格式后，可以在其他语言环境（如 Java）中部署和使用。PMML 格式使得模型能够在不同的系统或技术栈之间轻松迁移和共享。

2. 上线验证

模型部署到线上环境后，通常会以“陪跑”模式先行运行。在积累到一定样本量（通常不少于1000条）后，便可开始进行上线验证。上线验证的目标是确认模型是否能在实际环境中按照预期正常工作，确保其准确性和稳定性。验证通常从以下三个方面进行：

1. 预测分数的一致性
   首先，取模型在“陪跑”阶段所生成的样本，并使用线下环境重新进行预测和打分。接着，比较线下和线上环境中得到的预测分数是否一致。如果出现不一致的情况，需要调查原因，常见的原因包括：
   • 线上与线下环境存在差异（如依赖库、硬件差异等）；
   • 线上计算逻辑存在问题。
2. 模型分布的差异性
   通过对比线上和线下模型分数的分布差异，来检测模型是否发生了变化。例如，在贷前准入模型中，可以取训练模型时OOT（Out-of-Time）样本所处时间段的所有申请样本作为基准样本，再取“陪跑”阶段线上样本进行验证。然后，通过比较两个样本的模型分数和特征分布，来分析是否存在显著差异。如果差异较大，应仔细排查原因，避免简单地将其归结为客群偏移。常见的分布偏差原因包括：
   • 样本选取口径不一致，如基准样本取的是申请样本，验证样本取的是授信通过样本；
   • 细分客群比例发生变化，如验证样本中老客户比例大幅增加；
   • 数据特征的变化导致分数计算不同；
   • 策略调整导致的客群偏移。
3. 模型效果的一致性
   通过对比模型在“陪跑”阶段表现较好的样本和建模样本的标签，来验证模型效果的稳定性。如果模型效果与开发阶段出现较大差异，需要排查原因，特别是数据异常问题，确保模型效果不因异常数据或环境差异而衰减。

三、重要算法

3.1 逻辑回归（Logistic Regression）

1. 原理简介

逻辑回归是用于二分类任务的线性模型，核心思想是将线性回归结果映射为 0~1 之间的概率值：
$$P(y=1|x)=\frac{1}{1+e^{-(w^{T}x+b)}}$$

其中：

• $x$是特征向量；
• $w$是权重；
• 输出是“违约”的概率。

2. 应用方法

场景	说明
信用评分	将预测违约概率转为信用分数，常用于贷前审批
客户分层	以违约概率划分客户风险等级
监管报表	可解释性强，满足监管审查要求

3. Python代码示例（使用 sklearn）

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score

# 假设 X 是特征矩阵，y 是标签（0：未违约，1：违约）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

model = LogisticRegression(max_iter=1000)
model.fit(X_train, y_train)

y_pred_prob = model.predict_proba(X_test)[:, 1]
auc_score = roc_auc_score(y_test, y_pred_prob)
print(f"AUC: {auc_score:.4f}")

4. 优劣势分析

优势	劣势
可解释性强，易于监管理解	只能建模线性关系
训练速度快，结果稳定	特征处理复杂（需分箱、WOE编码）
易于转化为评分卡	对异常值、共线性敏感

3.2 LightGBM（梯度提升决策树）

1. 原理简介

LightGBM 是基于 GBDT 的高性能框架，采用 梯度提升 + 决策树，核心提升方式：

• 使用叶子优先策略（Leaf-wise）
• 基于直方图加速构建分裂点
• 自动处理缺失值
• 多线程高效并行计算

2. 应用方法

场景	说明
欺诈检测	建模复杂的用户行为、交易路径等
贷前审批	提供更精确的违约预测，提高通过率控制风险
特征筛选	可输出特征重要性，用于评分卡建模前的变量筛选

3. Python代码示例（使用 lightgbm）

import lightgbm as lgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

train_data = lgb.Dataset(X_train, label=y_train)
valid_data = lgb.Dataset(X_test, label=y_test, reference=train_data)

params = {
    'objective': 'binary',
    'metric': 'auc',
    'learning_rate': 0.05,
    'num_leaves': 31,
    'verbose': -1
}

model = lgb.train(params, train_data, valid_sets=[valid_data], early_stopping_rounds=50)

y_pred_prob = model.predict(X_test)
auc_score = roc_auc_score(y_test, y_pred_prob)
print(f"AUC: {auc_score:.4f}")

4. 优劣势分析

优势	劣势
高精度，处理非线性关系能力强	可解释性较弱（需配合 SHAP 解释）
训练速度快，适合大规模数据	容易过拟合（需调参）
自动处理缺失值与类别变量	不易部署为传统评分卡