【风控】申请评分卡(A卡)模型

一、A卡模型概述

• 定义
  A卡即申请评分卡（Application Score Card），主要用于贷前信用准入，将每笔新申请的贷款/信用卡用户转化为一个分值，预测其在放款后一定表现期内发生逾期的概率。
  • 观察点：申请时点
  • 表现期：通常为6–12个月内是否逾期（如逾期≥60天）
  • 目标变量Y：0/1二分类，1表示在表现期内逾期
• 应用场景
  • 信用卡或消费贷产品的初审
  • 线上现金分期、信用贷平台的准入决策
  • 决定是否放款、授信额度及初始利率

二、A卡模型的构建流程

• 数据采集与样本构造

  • 正负样本：所有申请样本，正样本（Bad）为表现期内逾期客户，负样本（Good）为无逾期客户。
  • 数据源：客户填写的申请信息、央行征信报告、第三方征信数据以及互联网金融平台自有数据等

• 变量特征工程

  • 分箱与WOE变换：对连续/类别变量进行分箱，计算每个分箱的WOE（Weight of Evidence），保证WOE值单调性；
  • IV筛选：依据IV（Information Value）指标筛除预测能力弱或不稳定的变量；
  • 交叉特征：如收入×年龄、职业×贷款用途等业务驱动交叉项；
  • 外部数据融合：如反欺诈打分（F卡变量）、社保/公积金验证、运营商数据等。

• 模型训练与评估

  • 算法选择：以逻辑回归最为常见，兼顾可解释性；也可尝试随机森林、XGBoost以提升区分度
  • 阈值与评估指标：重点监控KS值、AUC、FPR/FNR曲线；进行交叉验证与时间切分验证，校验模型时序稳定性。

• 分数卡转换

  • 分数映射：将Logit输出转换为易于理解的分值（如600分为基准），采用“基准分+PDO”体系：
    • 基准分：Score₀，对应Odds₀
    • PDO（Points to Double Odds）：分值翻倍所需点数
  • 计算公式：

    Score = Offset – Factor × ln( Odds )
    

  • 上线与监控：部署于风控平台后，需持续监控模型稳定性、分布漂移、样本覆盖率等。

三、互联网金融场景下的特色与挑战

• 海量且多样的申请量
  • 互联网金融单笔金额低、订单量大、客户分散，要求模型能高效处理千万级申请并快速打分。
• 丰富的非传统数据源
  • 设备指纹：采集设备型号、Canvas指纹、IP地理位置等，构建设备风险模型，提高反欺诈能力。
  • 行为轨迹：注册―登录―浏览―提交的完整点击流，用以剔除脚本攻击和僵尸网络。
  • 社交/网络关系：基于图算法分析账号之间的隐秘关联，为A卡模型提供补充信号。
• 合规与隐私保护
  • 随着《网络安全法》实施，灰色数据来源受限，更加依赖脱敏的合法行为数据与平台自有数据
• 线上实时风控
  • 线上模型需与反欺诈（F卡）、行为评分（B卡）无缝衔接，形成“全流程一体化”风控。

四、落地实践与优化思路

• 多模型融合：在A卡打分基础上，可并行训练F卡/欺诈模型，对高风险样本进行二次审查；
• Reject Inference：对被拒样本进行推断打分，补齐样本偏差；
• 动态阈值调整：结合业务节奏、限额使用情况，对放款率与坏账率的平衡点进行定期校正；
• 增量学习：定期基于最新放款与回收数据微调模型，保证模型响应市场环境变化。