4. 评分卡模型基础：什么是评分卡？逻辑回归与评分卡的关系、标准评分卡公式推导

各位同学好，今天咱们来聊聊评分卡模型的基础。说实话，评分卡这个名词在金融风控圈里，几乎无人不知。但很多人只是会用，并不清楚它背后的逻辑到底是什么。

我个人习惯把评分卡理解成一把“尺子”。这把尺子用来量一个人的信用风险有多高。分数越高，风险越低；分数越低，风险越高。就这么简单。

4.1 什么是评分卡？

评分卡，说白了就是一个打分表。你想想看，银行审批信用卡的时候，不可能凭感觉说“这人看起来靠谱，批了”。他们需要一套标准化的、可解释的规则。

评分卡就是这套规则的数学表达。它把用户的各项特征（比如年龄、收入、负债情况）转化成具体的分数，然后加起来得到一个总分。银行根据这个总分来决定是否发卡、给多少额度。

我在项目中遇到过一家消费金融公司，他们之前用的是纯规则引擎。结果呢？规则越来越多，互相矛盾，最后连风控总监自己都说不清为什么拒掉某个客户。后来换成评分卡，整个审批流程清晰多了。

4.2 逻辑回归与评分卡的关系

很多人问我：“评分卡和逻辑回归到底什么关系？”

嗯，这里要注意。评分卡不是凭空造出来的，它的数学基础就是逻辑回归。你可以把评分卡看作是逻辑回归的“包装版”。

逻辑回归输出的是违约概率 p，范围在0到1之间。但银行不喜欢用概率，他们喜欢用分数。为什么？因为分数更直观，更容易被业务人员理解。

所以我们需要做一个转换：把概率映射成分数。这个映射关系就是评分卡公式的核心。

我记得刚入行时，有个老前辈跟我说：“逻辑回归是里子，评分卡是面子。” 这句话我一直记着。你训练模型的时候用的是逻辑回归，但上线部署的时候，展示给业务看的是评分卡。

4.3 标准评分卡公式推导

好，接下来是重头戏。咱们一步步推导评分卡公式。

首先，逻辑回归的公式是这样的：

ln(p / (1-p)) = β₀ + β₁x₁ + β₂x₂ + ... + βₙxₙ

其中 p 是违约概率，x₁, x₂, ..., xₙ 是特征，β₀, β₁, ..., βₙ 是模型参数。

现在我们要把这个线性组合转换成分数。评分卡的标准形式是：

Score = A - B × ln(p / (1-p))

这里 A 和 B 是两个常数，叫做“刻度参数”。它们怎么来的呢？

我们需要设定两个基准点：

• 基准分：当违约概率为某个特定值 p₀ 时，分数设为 S₀
• PDO：违约概率翻倍时，分数减少的数值

举个例子。假设我们设定：

• 当 p₀ = 0.02（即2%违约率）时，分数 S₀ = 600
• PDO = 20（违约概率翻倍，分数减少20分）

那么我们可以解出 A 和 B：

当 p = p₀ 时：S₀ = A - B × ln(p₀ / (1-p₀))
当 p = 2p₀ 时：S₀ - PDO = A - B × ln(2p₀ / (1-2p₀))

两式相减得：
PDO = B × [ln(2p₀ / (1-2p₀)) - ln(p₀ / (1-p₀))]

所以：
B = PDO / [ln(2p₀ / (1-2p₀)) - ln(p₀ / (1-p₀))]

然后：
A = S₀ + B × ln(p₀ / (1-p₀))

有了 A 和 B，我们就可以把逻辑回归的系数转换成评分卡上的分数了。

每个特征每个分箱对应的分数是：

Score_i = -B × β_i × WOE_i

其中 WOE_i 是第 i 个分箱的 Weight of Evidence（证据权重）。

最终评分卡长这样：

特征	分箱	WOE	系数 β	分数
年龄	18-25	0.35	0.82	-28.7
年龄	26-35	0.12	0.82	-9.8
年龄	36-50	-0.08	0.82	6.6
年龄	51+	-0.25	0.82	20.5

你看，年龄越大，分数越高。这符合常识——年长的人通常更稳定，违约风险更低。

最后，咱们用一张图来总结评分卡的核心逻辑：

这张图把评分卡的整个流程串起来了。从原始数据开始，经过WOE编码、逻辑回归训练、刻度调整，最后生成可用的评分卡。每一步都环环相扣，缺一不可。

好了，评分卡的基础就讲到这里。记住三个核心点：评分卡是一把尺子，逻辑回归是它的数学内核，公式推导的关键在于A和B两个刻度参数。把这些搞懂了，后面的内容就顺了。