AI×金融知识站
–

kp-012 · 信用评分卡：WOE、逻辑回归与刻度设计

核心 模块：量化与风险 预计 30 分钟 更新 2026-10-02

一句话定义

信用评分卡是把客户特征转化为违约概率分数的标准工具，经典流程为"样本定义→分箱与 WOE 编码→逻辑回归→分数刻度映射"，本知识点完整走一遍这条流程及其工程细节。

为什么重要

评分卡是金融风控中应用最广、生命周期最长的模型形态：它以逻辑回归为内核，牺牲一点精度换来三点机器学习模型难以替代的性质——每个特征贡献可分解（满足监管解释义务，见 kp-027）、分数跨期可比（支撑策略与限额体系）、监控体系成熟（PSI/KS，见 kp-013）。信贷业务的核心链路"获客→审批→额度定价→催收分层"都以评分为轴。理解评分卡，就理解了中国消费金融与银行零售风控的主流技术底座，也理解了为什么"深度学习吊打逻辑回归"在这个场景常常不成立。

前置知识

kp-001、kp-004（信贷业务链路）。统计基础：对数、几率（odds）、逻辑回归直觉。

直观类比

评分卡像体检报告的打分表：每一项指标（年龄、收入稳定性、历史逾期）先按区间"翻译"成标准分（WOE 编码——每个区间的坏客户浓度差异），再把各项分加权求和（逻辑回归拟合权重），最后换算成大家熟悉的百分制分数（刻度映射）。分数不是"会不会违约"的判断，而是"违约可能性高低"的排序标尺。

核心概念

  • 评分卡类型：A 卡（申请评分，审批用）、B 卡（行为评分，存量客户额度与预警）、C 卡（催收评分）——样本定义与观察窗口各不相同。
  • 样本定义：好坏定义（如逾期 90 天以上为坏）、观察期（特征取值窗口）与表现期（结果观察窗口，通常 6–12 个月）、拒绝推断（被拒客户无表现数据，需推断其"假想表现"以校正样本偏差）。
  • 分箱与 WOE：把连续/多值特征切箱后计算证据权重 WOE = ln(该箱好客户占比 / 该箱坏客户占比)；WOE 把任意特征统一到"对数几率贡献"的语义上，并使变量与违约呈单调线性关系。
  • IV（信息价值）：各箱 WOE 的加权汇总，用于特征筛选（经验上 IV 过低信息不足、过高往往泄漏或过拟合，需人工审箱）。
  • 逻辑回归拟合：在 WOE 特征上做逻辑回归；业务约束包括系数符号与业务直觉一致、箱序单调（防止"收入越高越容易违约"的荒诞箱序）。
  • 刻度设计：把模型输出的对数几率线性映射为分数，常用设定：基准分（如 600 分对应特定 odds）、PDO（Points to Double Odds，如 50 分表示 odds 翻倍），使分数直观且跨期可比。

原理与机制

为什么用 WOE 而非原始值：一是统一量纲并施加单调性，使线性模型可解释；二是把缺失值、异常值并入专门箱而非丢弃；三是分数化后每个特征的贡献可按"WOE×系数"分解到客户级——这正是解释义务（kp-027）的技术基础。为什么刻度用对数线性映射：违约几率（odds）跨越多个数量级，直接线性刻度会压缩低分段；Score = offset + factor×ln(odds) 让"分数差固定→几率倍数固定"，业务含义清晰。为什么拒绝推断不可省：审批模型只用"被批准客户"训练，而被拒客户可能恰是高风险群体，忽略他们会使模型低估风险区分力——常用简单分类或重新加权方法补齐被拒样本的伪标签。

公式或模型

WOEi = ln( 好客户占比i / 坏客户占比i )
IV = Σi (好占比i − 坏占比i) × WOEi
逻辑回归: P(违约) = 1 / (1 + e−(β₀ + Σβⱼ·WOEⱼ))
odds = P/(1−P)
刻度: Score = offset + factor × ln(odds)
factor = PDO / ln2 offset = 基准分 − factor × ln(基准odds)

图示

原始数据 → 好坏定义(逾期90天+) + 观察期/表现期
   → 特征分箱(单调/缺失箱) → WOE 编码 → IV 筛选
   → 逻辑回归(符号约束) → 概率 → 刻度映射(offset/PDO)
   → 600 分制评分卡 → 审批策略(分数线/额度)
   → 上线监控: PSI 稳定性 · KS 区分度 · 拒绝推断复核

实例或案例

一张消费信贷 A 卡的刻度实例（教学示例）：设定基准 660 分对应 odds = 30:1（好坏比），PDO = 40 分。某申请人各特征 WOE 加权后模型输出 odds = 15:1，则 Score = 660 − 40×log₂(30/15) = 660 − 40 = 620 分。审批策略可写为"≥640 自动通过、600–639 人工复核、<600 拒绝"，每档分数对应的几率倍数业务一目了然。拒贷时按"WOE×系数"贡献最大的两个负向特征生成原因码（如"近期征信查询次数过多"）——分数、策略、解释三者在同一框架下闭环。

常见误区

  • 误区一：模型越复杂越好，评分卡过时。 评分卡的比较优势在可分解解释、跨期稳定性与成熟监控；复杂模型可作为挑战者并行打分，但替换需通过 kp-026 的验证流程。
  • 误区二：IV 越高特征越好。 IV 异常高常是目标泄漏（用了未来信息或结果衍生字段）或箱设计过细，须人工审箱与溯源。
  • 误区三：AUC 高就能上线。 区分度只是及格线；还需刻度合理性、策略适配、稳定性（PSI）与拒绝推断校正，上线是业务工程决策而非模型指标决策。

自测题

  1. WOE 与 IV 各解决什么问题？

答案要点：WOE 统一特征语义并线性化供逻辑回归使用；IV 度量特征整体预测信息量用于筛选。

  1. 推导刻度公式中 PDO 的含义：PDO=40 意味着什么？

答案要点：分数每升 40 分，好坏比翻倍；使分数差与几率倍数形成固定换算。

  1. 为什么需要拒绝推断？

答案要点：被拒样本无表现，仅用批准样本训练会低估风险、高估区分度，需推断补齐以校正选择偏差。

与其他知识点的关系

kp-013 提供评分卡的验收与监控指标（AUC/KS/PSI）；kp-027 把"WOE×系数"展开为 SHAP 与原因码的解释体系；kp-026 把评分卡纳入模型风险管理全生命周期；kp-004 的信贷链路是评分卡的业务语境。

延伸阅读

  • Siddiqi《Credit Risk Scorecards》：评分卡开发全流程的行业标准读物。
  • 《信用风险评分卡研究》相关中文教材：WOE/IV 与刻度设计的本土化实践。