还没有整理【风控】互联网金融-构建评分卡模型部分知识点

1. 模型部署方式：将模型转为PMML文件或者框架、服务器方式作接口调用。
2. 特色是：笔数多，单笔金额小，数据维度丰富
3. 信用评分作准入，行为评分作调额，贷中管理，或者提早催收
4. 催收评分卡，能够预测M1转到M2的几率，M2转到M3的几率，催收回款率等
5. 观察期与特征变量选择：必定要选择贷前就能获取的特征，通常围绕客户的还款能力、还款意愿、稳定性和多头借贷展开，还要兼顾本身的产品客群定位、用户体验、数据成本。好比产品是农户贷，那么社保、公积金、网银工资流水就是不须要获取的特征。若是产品目标是电商小商户，则电商数据就是很是有用的特征。
6. 表现期与好坏客户定义:表现期是指放款日期至放款后逾期率开始稳定的时间段。好坏客户根据各信贷产品的应用场景不一样而定，能够经过迁徙率设定(预期五天到M1，M1到M2，…一段时期的迁徙比例来决定y的0 and 1)
7. 现金贷表现期通常一个月；消金3-6个月；信用卡是12个月
8. 逻辑回归模型服从的前提假设：

　　　　①自变量不能相关，即排除自相关性，还有共线性；②变量必定要显著。③变量要独立同分布。

　　　　因此咱们要进行共线性筛查，显著性筛查，相关性筛查，才能选择出入模变量。

　　 9. 逻辑回归建立评分卡模型核心步骤：

　　　　a)       变量分箱，能够排除异常值的影响，分法有等宽、等频、人工指定分箱、C4.5决策树、卡方分箱。

　　　　b)      WOE编码。做用：排除量纲影响。计算方式是每箱好样本比例与坏样本比例的比值的天然对数。

　　　　c)       IV值，又称为信息浓度。计算公式是每箱好样本比例与坏样本比例的差值，再乘以对应的WOE值，通常选择IV>=0.02的变量。

　　　　d)      共线性、相关性、显著性检验。

　　　　e)       计算每一个变量对应切分点的分数。Score=A+B*ln(odds)，y=logist(p)=ln(p/(1-p))=b+aX=b+coewoe

　　10. 建模样本：负样本占总样本比例5%以上就行，最好是10%以上。

　　11. 变量分为连续变量与分类变量的依据是: 连续变量的水平种类在10种以上，分类变量的水平种类在10种如下。

　　12. 字符型分类变量转整型 为何模型容易调用？        

　　13. 字符型分类变量转为数值型方式：哑变量，WOE编码，坏样本率。

　　14. 自动化分箱(最优分箱)：KS分箱，卡方分箱，决策树分箱。手动分箱：WOE(ln(odds))。对样本集最优，但会忽略可解释性。

　　15. 评分卡计算分数公式

　　16. 评分卡模型创建完成，须要检验准确性和稳定性，还要监控

　　17. 分箱，数据处理，特征衍生，有效性，分数稳定性，变量稳定性，模型调优可能比不上业务上的逻辑变量。