algo-risk-credit

信用评分模型

概述

信用评分模型使用逻辑回归或梯度提升，根据借款人特征预测违约概率（PD）。输出：评分（300-850 分）或 PD（0-1）。用于贷款审批、定价和投资组合风险管理。

适用场景

触发条件：

• 为贷款／信用审批决策构建评分卡
• 预测违约概率，以进行基于风险的定价
• 评估现有信用模型的区分能力

不适用场景：

• 预测企业破产（使用 Altman Z-Score）
• 衡量市场风险（使用 VaR）

算法

IRON LAW: A Credit Model Must Discriminate AND Be Calibrated
Discrimination (AUC): correctly ranking good vs bad borrowers.
Calibration: predicted PD matches actual default rates.
A model with AUC=0.85 but predicted PD 2x actual default rate will
cause systematic over/under-pricing. Need BOTH properties.

阶段 1：输入验证

收集：借款人特征（收入、负债比率、信用历史长度、逾期次数、信用额度使用率）、结果变量（12-24 个月内是否违约）。处理：缺失值、类别不平衡（违约率通常为 2-5%）。 **门槛：**违约事件数量充足（300 起以上），且特征在决策时可用。

阶段 2：核心算法

1. 特征工程：逻辑回归使用 WOE（证据权重）分箱，或 GBDT 使用直接编码
2. 训练模型：逻辑回归（可解释，监管机构倾向采用）或 GBDT（准确率更高）
3. 校准：在留出集上使用 Platt 缩放，确保按十分位分组的预测 PD 与实际违约率相符
4. 转换为评分：评分 = 偏移量 + 因子 × log(赔率)，缩放至 300-850 分范围

阶段 3：验证

评估：AUC（>0.70 为可接受，>0.80 为良好）、KS 统计量、Gini 系数。使用总体稳定性指数（PSI）监控漂移。 **门槛：**AUC > 0.70，校准结果可接受，受保护属性不存在歧视性偏差。

阶段 4：输出

返回评分、PD 和主要风险因素。

输出格式

{
  "score": 680,
  "pd": 0.035,
  "risk_grade": "B",
  "top_risk_factors": [{"factor": "high_utilization", "impact": -45}, {"factor": "short_history", "impact": -30}],
  "metadata": {"model": "logistic_regression", "auc": 0.78, "vintage": "2024-Q3"}
}

示例

输入／输出示例

**输入：**借款人：收入 = $60K，DTI = 35%，5 年信用历史，0 次逾期，信用额度使用率为 60% **预期结果：**评分约 680，PD 约 3.5%，等级 B（信用额度使用率较高，存在一定风险）

边界情况

输入	预期结果	原因
无信用历史（信用档案薄）	不确定性较高，默认采用保守策略	评分数据不足
所有特征相同	无论结果如何，评分都相同	模型无法区分——需要更多特征
经济环境发生重大变化	PSI > 0.25，模型需要重新校准	总体分布已偏离训练分布

注意事项

• 拒绝推断：训练数据仅包含获批申请人的数据。被拒申请人的结果未知，因此会产生选择偏差。应使用拒绝推断技术。
• 公平信贷：模型不得因受保护属性（种族、性别、年龄）而产生歧视。即使是代理变量（邮政编码 ≈ 种族）也可能造成差异性影响。应使用公平性指标进行测试。
• 申请人全量样本与在账样本：TTD 样本包含所有申请人；OTB 样本仅包含获批申请人。应根据模型用途决定使用哪种样本。
• 批次分析：违约率会随经济状况变化。基于 2019 年数据训练的模型，在经济衰退期间可能无法准确预测。应按批次跟踪模型表现。
• 监管要求：金融监管机构（Basel、OCC、FDIC）对模型验证、文档记录和公平信贷测试有具体要求。

参考资料

• 有关 WOE 分箱方法，请参阅 references/woe-binning.md
• 有关拒绝推断技术，请参阅 references/reject-inference.md