[风控-001]金融风控之评分卡：从本质到精通--001

pdf文件在 https://download.csdn.net/download/u011539200/10865606  

1.问题描述

假设有个样本，每个样本表示一个贷款客户的信息。第个样本表示为，其中，。

具体地说，是一个维向量，每一个维度表示贷款人的一个属性变量。这个变量，是经过填充数据缺失、去除离群点、去除高相关性变量、筛选高IV等之后的入模变量。的值是0或1，表示逾期，表示正常。

写成矩阵的形式，个样本全部数据，可以写成如下形式:

2.优化求解

对客户而言，如果其逾期的概率是，那么其正常的概率就是，一个客户要么逾期要么正常，逾期和正常的概率之和必然是1。

我们需要根据评估用户是否会逾期。对于构建模型而言，最简单的是线性模型。在线性模型，就是:

其中，表示整个线性组合。

另外，又考虑到概率的值域是区间，希望输出的函数值在这个值域。因此再增加一层函数以变换值域：

显然，上式的值域一定是在区间的，这里使用函数是经过设计的，其他形式的函数也可以同样达到一样的值域，但在微分求导上更便利。

对上式做一次变形，可以得到:

这个公式在后文有用，后面会展开描述。

公式对求导：

此处，是自变量，这个是可以推导出来的，比较简单，不再详述。这个公式在下文推导会直接使用。

样本对应的借款人，可能是逾期，也可能是正常，可以用一个公式同时表示这两种情况：

如果，则，如果，则。

对个样本而言，样本之间是相互独立的，因此对所有样本而言，其全体概率是:

注意，公式的未知数是。求解，就是让公式的值最大，也就是等价于最大，在微分求导上更方便。（更多细节请概率论教科书的最大似然估计方法）

\begin{equation}\label{ln_L}
\begin{split}
ln(L) = &\sum_{i=1}^{n}(y_iln(p_i)+(1-y_i)ln(1-p_i))\\
      = &\sum_{i=1}^{n}(y_iln(p_i))+\sum_{i=1}^{n}((1-y_i)ln(1-p_i))\\
\end{split}
\end{equation}

\begin{equation}
\begin{split}
\frac{\partial ln(L)}{\partial \beta_j}=
  &\sum_{i=1}^{n}(y_i\frac{1}{p_i}\frac{\partial p_i}{\partial z_i}\frac{\partial z_i}{\partial \beta_j})+\sum_{i=1}^{n}((1-y_i)\frac{-1}{1-p_i}\frac{\partial p_i}{\partial z_i}\frac{\partial z_i}{\partial \beta_j})\\
  =&\sum_{i=1}^{n}(y_i\frac{1}{p_i}p_i(1-p_i)\frac{\partial z_i}{\partial \beta_j})+\sum_{i=1}^{n}((1-y_i)\frac{-1}{1-p_i}p_i(1-p_i)\frac{\partial z_i}{\partial \beta_j})\\
  =&\sum_{i=1}^{n}(y_i(1-p_i)\frac{\partial z_i}{\partial \beta_j})+\sum_{i=1}^{n}(p_i(y_i-1)\frac{\partial z_i}{\partial \beta_j})
\end{split}
\end{equation}
注意，。
更具体的一点，要分出和 这两种情况：
\begin{equation}
\begin{split}
\frac{\partial ln(L)}{\partial \beta_0}=
  &\sum_{i=1}^{n}(y_i(1-p_i))+\sum_{i=1}^{n}(p_i(y_i-1))
\end{split}
\end{equation}

\begin{equation}
\begin{split}
\frac{\partial ln(L)}{\partial \beta_{j_{(j>0)}}}
  =&\sum_{i=1}^{n}(y_i(1-p_i)x_{i,j})+\sum_{i=1}^{n}(p_i(y_i-1)x_{i,j})
\end{split}
\end{equation}

根据梯度下降算法求公式的最大值，的迭代公式是:
\begin{equation}
\beta_j = \beta_j + \mu \frac{\partial ln(L)}{\partial \beta_j}
\end{equation}

其中，是学习速率，通常设置成小于零的数，比如，也可以根据每轮迭代情况做动态调整。

也有一种做法，对做变形：，这样对应的就是固定为1的元素，不再单独区分。

3.信用分

评分卡的分值分配，由比率决定。例如，一个评分卡可以设定，评分每降低20分，违约的比率升高一倍，600分账户的违约比率是620分账户的两倍。每个得分对应一个特定的违约比率，便于控制预期违约账户。

如果借贷客户的逾期概率是，那么正常概率就必然是。
设
\begin{equation}\label{odds}
Odds = \frac{p_i}{1-p_i}
\end{equation}
公式做个变形，也就有:
\begin{equation}
p_i = \frac{Odds}{1+Odds}
\end{equation}

评分卡的信用分计算：
\begin{equation}\label{score}
Score = A-Bln(Odds)
\end{equation}
其中，A和B是常数。如果违约率p很小，那么是一个正的小数，比如0.01、0.02，表示逾期概率很低，此时是大的负数，的分数高。反之可知的分数低。

计算A和B：

1.设定某个比率为的对应的分值是，然后，比率为的点的分值是。

2.将上述两个设定带入公式，有如下两个等式：

\begin{equation}
p_0 = A-Bln(\theta_0)
\end{equation}

\begin{equation}
p_0 + PDO = A-Bln(2\theta_0)
\end{equation}

3.两个等式联合求解，可得: 
\begin{equation}
B = \frac{PDO}{ln(2)}
\end{equation}

\begin{equation}
A = p_0 + Bln(\theta_0)
\end{equation}

4.计算示例，违约比的时候，是合理的违约比，此时对应的分值是分，违约比每翻倍，分数变小20分，也就是。那么，根据上述公式可以求出 A=481.86，B=28.85，也就是。如果，增加一倍，则经过计算可得是580.01，四舍五入后是580，符合预期。

信用分分值的分布，由A、B和“理论”的Odds三者决定。“实际”的Odds的分布由决定。因此，对的计算，跟A和B的计算无关。

4.WOE替换

对于公式Score，可以知：

\begin{equation}\label{score_2}
\begin{split}
Score =&A-Bln(\frac{p_i}{1-p_i})\\
      =&A-Bz_i\\
      =&A-B(\beta_0+\beta_1x_{i,1}+...+\beta_rx_{i,r})\\
      =&A-B\beta_0+(-\beta_1x_{i,1}-...-\beta_rx_{i,r})\\
\end{split}
\end{equation}

对上式来说，是常量，后面的，前文已说，是样本的第个属性变量，这样的变量一共有个，因此根据的值变动。

计算信用分，还可以进一步简化。根据上式计算信用分，需要和多个参数进行计算，让操作人员使用这些参数从直观上来看，结算结果解释性不清晰，核查每个属性对信用分产生的影响略显复杂。因此，简化的预期是，第一，一线人员不需要记住$A$、$B$、$\beta_j(j-0,1,...,r)$、$p_0$等参数，第二，要知道$x_i$的每个属性变量对信用分的贡献，大小多少。

举例来说，年龄$age$是一个属性。信用分计算使用年龄属性，与其把年龄数值代入公式$(\ref{score_2})$进行计算，不如把年龄进行分段，比如$age<18$是一段，对应一个分值，比如10分，$18\le age\le 35$是一段，对应一个分值，比如20分，$age>35$是一段，对应一个分值，比如15分。这样在计算信用分的时候，根据年龄所在的分段，查找分数。其他属性以此类推，把所有变量对应的分数加起来，再加上基础分，就得到信用分。

如果把年龄进行分段。那么，在优化计算公式$(\ref{ln_L})$的时候，就不能再使用年龄的数值--用什么数据优化才可以用什么数据预测，用年龄数值优化的结果不能用年龄分段值进行预测。因此，每个年龄段需要用这个年龄段对应的一个值，替换掉年龄值，进入公式$(\ref{ln_L})$做计算。

每个年龄段用一个值替换，这个值，在本质上需要能反应该年龄段对判别用户是逾期和正常的“价值”。所谓价值，比如说，全部样本有100个，其中正常的是90个，逾期的是10个，其中，$age<18$的样本有30个，这30个样本里，正常的是10个，逾期的是20个，那么，$age<18$这个年龄段对判断逾期，就是有“价值的”，因为这个年龄段逾期的密度比较高。如果$age<18$的样本有30个，这30个样本里，正常的是27个，逾期的是3个，那么，$age<18$这个年龄段对判断逾期，就是没有“价值的”，因为这个年龄段逾期的密度跟全部样本的逾期密度是一样的。

由此，我们到一个估算一个分段的价值度量，就是Weight of Evidence，就是：
\begin{equation}\label{woe}
WOE_k=ln(\frac{\frac{n_k^{good}}{n_k^{bad}}}{\frac{n_{all}^{good}}{n_{all}^{bad}}})
\end{equation}

其中，$k$表示一个属性的第$k$个分段，$n_k^{good}$表示这个分段对应的样本里正常还款的数量，$n_k^{bad}$表示这个分段对应的样本里逾期还款的数量，$n_{all}^{good}$表示所有样本里正常还款的数量，$n_{all}^{bad}$表示所有样本里逾期还款的数量。

以此类推，可以计算每个属性变量的每个分段的$WOE$

引入$WOE$之后，计算流程如下：

1.对公式$(\ref{big_x})$的每个变量，进行分段。分段方式有多种，也可以根据具体场景自行设计。分段之后，计算每个变量的每个分段的$WOE$值。然后，根据$x_{i,j}$对应的分段，用$WOE_k$替换$x_{i,j}$。最终，公式$(\ref{big_x})$所有的值，都是各种$WOE$的值，不再有$x_{i,j}$的值了。

2.后续其他流程完全不变。

分段在评分卡模型的正式叫法是“分箱”。

\section*{5.评分卡标准形}

引入WOE之后，公式$(\ref{score_2})$变成如下形式：
\begin{equation}\label{score_stand}
\begin{split}
Score =&A-B\beta_0+(-\beta_1x_{i,1}-...-\beta_rx_{i,r})\\
      =&A-B\beta_0+\\
       &(-\beta_1x_{i,1})+\\
       &...\\
       &(-\beta_rx_{i,r})\\
      =&A-B\beta_0+\\
       &(-\beta_1(\delta_{i,1,1}WOE_{1,1}+\delta_{i,1,2}WOE_{1,2}+...+\delta_{i,1,k_{1}}WOE_{1,k_{1}}))+\\
       &...\\
       &(-\beta_r(\delta_{i,r,1}WOE_{r,1}+\delta_{i,r,2}WOE_{r,2}+...+\delta_{i,r,k_{r}}WOE_{r,k_{r}}))\\
\end{split}
\end{equation}
其中，$(-\beta_1x_{i,1})$被$(-\beta_1(\delta_{i,1,1}WOE_{1,1}+\delta_{i,1,2}WOE_{1,2}+...+\delta_{i,1,k_{1}}WOE_{1,k_{1}}))$替换。$x_{i,1}$是第$i$个样本的第$1$个属性变量，这个数量变量在分段阶段被分为$k_1$段，$WOE_{1,k_{1}}$表示第$k_1$段的$WOE$。$\delta_{i,1,1}$表示，如果变量$x_{i,1}$的值在第1个分段，那么$\delta_{i,1,1}=1$，如果变量$x_{i,1}$的值不在第1个分段，$\delta_{i,1,1}=0$，这个变量的目的是让公式$(\ref{score_stand})$的形式整齐。其他以此类推。

注意，每个属性变量被切分成多少个分段是不确定的，肯定是互相不一样，因此需要分别表示，比如第$r$个属性变量，被切分成$k_r$段。

这样，计算信用分就变成了如下流程：

1.基础分是$A-B\beta_0$

2.对于第一个属性，如果它的值在该第一个分段，增加分值$-\beta_1\delta_{1,1}WOE_{1,1}$，如果它的值在第二个分段，增加分值$-\beta_1\delta_{1,2}WOE_{1,2}$...，由此，计算出第一个属性对应的分值，然后累加到基础分上。

3.以跟2.同样的步骤，处理所有属性变量，得到最终的信用分。

在实际操作上会把$-\beta_j\delta_{i,j,q}WOE_{j,q}$圆整成一个整数。