第四章：信息值（IV）与证据权重（WOE）
好，咱们进入评分卡建模里最核心的一环——WOE和IV。说实话，这两个指标是风控建模的“照妖镜”。变量好不好，一算便知。我见过不少新手，上来就堆特征，结果模型上线后一塌糊涂。为什么？因为没搞懂WOE和IV到底在说什么。
4.1 WOE计算公式与业务含义
先看公式。WOE的全称是Weight of Evidence，证据权重。它的计算方式是这样的：
WOE_i = ln( (Bad_i / Bad_total) / (Good_i / Good_total) )说白了，就是看某个分组里，坏客户占比和好客户占比的比值，再取个对数。你想想看，如果这个比值接近1，那WOE就接近0，说明这个分组没啥区分能力。如果比值远大于1，WOE就是正数，说明这个分组里坏客户相对更多。
我个人习惯把WOE理解成“风险指示器”。正值越大，风险越高；负值越大，风险越低。嗯，这里要注意：WOE的正负方向取决于你怎么定义“好”和“坏”。在风控里，通常把逾期客户定义为“坏”，正常还款定义为“好”。
业务含义解读：
- WOE > 0：该分组坏客户占比高于好客户占比，风险偏高
- WOE < 0：该分组坏客户占比低于好客户占比，风险偏低
- WOE = 0：该分组无区分能力，好坏比例与总体一致
我在项目中遇到过一件事：有个同事算完WOE后发现全是负值，吓坏了，以为数据出了问题。其实不是，只是他的变量整体偏向低风险群体而已。WOE的绝对值大小才重要，正负只是方向。
4.2 IV的计算与评价标准
IV（Information Value）是在WOE基础上算出来的。公式长这样：
IV = Σ ( (Bad_i / Bad_total - Good_i / Good_total) * WOE_i )你可以把IV理解为WOE的加权和。权重就是好坏占比的差值。这个差值越大，说明该分组对整体区分能力的贡献越大。
IV的评价标准，业内基本统一：
| IV范围 | 预测能力 | 我的建议 |
|---|---|---|
| < 0.02 | 无预测力 | 直接扔掉，别犹豫 |
| 0.02 - 0.1 | 弱 | 可以留着，但别指望它扛大梁 |
| 0.1 - 0.3 | 中等 | 不错的变量，值得保留 |
| > 0.3 | 强 | 好变量，但要小心过拟合 |
我曾经踩过的坑：有一次我拿到一个IV高达0.8的变量，兴奋得不行。结果一查，这个变量是“是否逾期超过90天”——这明显是目标变量的后验信息。记住，IV再高，如果是未来信息或者强相关于目标变量，那就是毒药。
为什么会这样？因为IV衡量的只是统计上的区分能力，不代表业务合理性。你想想看，一个变量如果和逾期结果高度相关，但它本身可能就是逾期行为的一部分，那用它做预测就是作弊。
4.3 WOE单调性检验
这是很多新手容易忽略的一步。WOE单调性，说白了就是看变量分箱后，WOE值是不是随着变量取值变大而单调递增或递减。
为什么这么重要？因为评分卡模型本质上是一个线性模型。如果WOE不单调，那模型就很难捕捉到变量和风险之间的真实关系。举个例子：
# 假设年龄分箱后的WOE
年龄分组: [18-25] [26-35] [36-45] [46-55] [55+]
WOE值: 0.5 0.3 0.1 -0.2 -0.4
# 这个就是单调递减，没问题
# 但如果出现这种情况：
WOE值: 0.5 0.3 0.4 -0.2 -0.4
# 中间跳了一下，就不单调了我建议你在做分箱时，把单调性作为一个硬约束。如果某个分箱方案不满足单调性，要么调整分箱边界，要么考虑这个变量本身就不适合做线性评分卡。
一个小技巧：我习惯在分箱后先画个折线图，横轴是分组，纵轴是WOE。一眼就能看出单调性。如果曲线像过山车一样上下起伏，那这个变量要么分箱有问题，要么本身就不适合入模。
嗯，这里还要提醒一点：WOE单调性检验不是绝对的。有些变量天然就是U型关系，比如年龄和风险的关系——年轻人风险高，中年人风险低，老年人风险又高。这种情况下，强行追求单调性反而会丢失信息。我的做法是：如果业务上能解释U型关系，那就保留；如果不能，就考虑做变换或者换变量。
知识体系总览
下面这张图把WOE和IV的核心逻辑串起来了，你可以对照着看：
这张图把整个流程串起来了：从原始变量出发，先分箱，再算WOE，然后做单调性检验和IV计算，最后决定要不要这个变量。每一步都有它的意义，缺一不可。
最后说一句：IV和WOE不是万能的。它们只能衡量单变量的区分能力，变量之间的交互作用、多重共线性等问题，还得靠其他方法。但作为入门第一步，把这两个指标吃透，你的评分卡建模之路就稳了一半。