（信贷风控八）行为评分卡模型（B卡）的介绍

 

原文连接 https://blog.csdn.net/LuYi_WeiLin/article/details/87907948

（八）行为评分卡模型（B卡）的介绍
在信贷业务中，评分卡分为三种：

申请评分卡(A卡)
行为评分卡(B卡)
催收评分卡(C卡)
本篇咱们来学习一下行为评分卡(B卡)，首先什么是行为评分卡呢，行为评分卡的使用场景以及目的，适用的信贷产品？

 

 

其中特别注意一下，不适合先息后本的信贷产品，由于每月的违约几率不同，很差预测

 

观察期和表现期
学习行为评分卡以前，要了解一些概念，什么是观察期和表现期，什么是观察点

 

 

观察期观察的是行为，表现期预测表现好坏

P（表现期好坏/观察期行为）

这里要注意一下，假如咱们定义表现坏客户为M3+，观察期时间窗口为12个月，则起码要收集12+3个月的数据

 

固然观察点也不宜太长，由于不到MOB的客户，不能进入行为评分卡中，会丢失大量重要数据

当此刻的时间知足了MOB可是不知足观察期，也能够构建B卡，可是有一些变量表现效果不怎么好（由于和每一个变量的收集间隔有关，间隔长的变量收集得太少，表现天然不佳）

 

讲完了观察期和表现期，咱们就来说一下信用评分卡经常使用的特征构造，特征构造以前咱们来学习一个定义：时间切片

时间切片

特征构造
通常有如下几类特征

还款率类型的特征

 

额度使用率类型的特征

 

逾期类型的特征
这里注意一下，不能用轻度逾期去预测轻度逾期，不能用重度逾期去预测重度逾期，这里的目标变量是DPD（day past due）90，变量能够是DPD60、DPD30等

 

消费类型的特征（每一笔消费有具体详细能够作）

三方机构（社交数据、出行数据）
 

下面就来说解一下行为评分卡创建模型的步骤（和申请评分卡差很少）

数据预处理
特征衍生

特征处理与筛选

 

 

 

变量分箱
模型的参数估计（逻辑回归模型）

特征挑选
逻辑回归要求系数为负并且P值要显著，咱们使用外生模型GBDT估计模型重要性

 

 

也就是挑选4个GBDT模型最重要的变量进行逻辑回归后，发现其逻辑回归系数为负，以后咱们按照GBDT模型变量重要性降序顺序一个一个往里面加，每加一个，进行一次逻辑回归，发现存在逻辑回归系数为正的，就能够把该变量剔除

 

添加完全部变量后，逻辑回归结果以下图所示，仍是存在P值不显著状况，单独拿去这些变量一个一个与目标变量进行逻辑回归检验其显著性

 

因此，咱们使用LASSO再次进行变量挑选

 

模型的性能测试

几率转换为分数