评分卡模型简介

评分卡模型是最常用的金融风控模型，它主要是根据客户的各种属性和行为数据，利用信用评分模型，决定（1）是否授信（2）授信的额度和利率（3）用户违约的概率等等信息，从而减少在交易当中存在的风险。

在金融业务中，有三个阶段，分别是贷前，贷中，贷后，评分卡模型可以用在这三个阶段进行不同的决策。

（1）贷前评分卡: 称为申请评分卡（Application score card），一般简写为A卡，主要是根据用户的基本信用和基础行为来预测用户是否为目标用户，拖欠贷款的风险，可以有效排除非目标用户，以及没有偿还能力的用户。

（2）贷中评分卡: 称为行为评分卡（Behavior score card），一般简写为B卡，根据用户在贷款过程中的行为，如是否拖欠贷款，是否贷款分期归还等等去调整用户的信用评级，授信额度，去预测用户未来的表现，如拖欠款项概率等。

（3）贷后评分卡：称为催收评分卡（collection score card），一般简写为C卡，通过对用户在贷款后的行为来预测用户拖欠款项的概率，从而针对不同的人群设置不同的催收策略。

（4）欺诈评分卡 ： 称为欺诈评级评分卡(Fraud scorecard)，一般简写为F卡,用于申请阶段针对欺诈客户的判断 .

虽然评分卡的种类非常多，但往往一般只建立A卡，因为A卡(申请评分卡)是最常见的，也是价值最大的。A卡一来可以减少人工审核，二来可以提高放贷质量，并且A卡只需要申请数据，因此A卡几乎是小贷必备的模型 。B卡和C卡相对弱势一些，起码不是刚需。F卡是刚需，在被欺诈撸一波，是非常痛的，但F卡往往不太好建，因为“欺诈”的历史数据和“欺诈”的定义往往无法提供。

说完了评分卡的应用背景，再来介绍评分卡的具体形式。在金融风控领域，建模之前有两个值得注意的点：

（1）模型的可解释性，金融行业的特殊性不允许模型牺牲可解释性。针对这一点，金融风控一般使用逻辑回归作为模型，具备一定的可解释性。逻辑回归基于线性回归，可以在数据库中取到对应用户的基本信息，行为信息，贷款信息等特征，通过建模可以对这些特征计算权重，并计算出用户的分数，对应其整体抗风险能力。

（2）模型的稳定性，当存在着异常值时，模型必须有足够的稳定性。
针对这一点， 将所有的特征值转变为离散特征，以此来减少异常值对模型的影响，同时也使得数据的小幅波动不会影响模型，符合金融的稳定。因此需要对特征值进行分箱处理。同时使用WOE（weight of evidence）来对用户抗风险能力做一个映射。

评分卡建模流程

评分卡的建模流程与传统的机器学习相同，具体的步骤流程图如下：
当然在建模后还包括对模型效果的监测，确保模型上线后的效果。

相关原理

评分卡模型会用到逻辑回归，数据分箱，WOE编码，IV，PSI等模型，指标，在系列文章中我们会一一介绍。

逻辑回归模型是评分卡的基础，所以首先建议对逻辑回归的相关原理，推导要有一定的了解

逻辑回归模型

逻辑回归模型是一种分类模型，它基于线性回归模型,在线性回归中得到连续的结果结果后在对结果进行分类。具体的原理和实际建模可以参考之前的文章：

https://blog.csdn.net/qq_42692386/article/details/108120525
https://blog.csdn.net/qq_42692386/article/details/147562055

参考文章：
https://www.cnblogs.com/wqbin/p/10547628.html
https://zhuanlan.zhihu.com/p/412337232
https://blog.csdn.net/CarryLvan/article/details/108775507