一、违约概率建模基础：PD模型的目标

做信用风险建模，说白了就是回答一个问题：这个客户会不会不还钱？

PD模型，全称 Probability of Default，就是用来量化这个问题的。我刚开始做风控那会儿，领导问我：“你做的模型到底有什么用？”我说：“就是给每个客户打个分，分数越高，违约概率越大。”他点点头，说：“那你怎么知道谁是好客户，谁是坏客户？”

嗯，这个问题问到点子上了。

1.1 PD模型的核心目标

PD模型的目标其实很单纯：区分好客户和坏客户。但这里有个坑——什么叫“好”？什么叫“坏”？

我个人习惯这样定义：

• 好客户：在观察期内按时还款，没有发生逾期，或者逾期天数在可控范围内（比如30天以内）
• 坏客户：在观察期内出现严重逾期，比如逾期超过90天，或者直接变成坏账

你想想看，如果连好坏都分不清，模型再花哨也没用。我在项目中遇到过一家消费金融公司，他们一开始把“逾期1天”就算坏客户，结果模型跑出来全是“坏客户”，根本没法用。后来我们调整了定义，才把模型做稳。

1.2 区分好客户与坏客户：为什么这么难？

很多人以为，只要把历史数据拉出来，看看谁逾期了谁没逾期，就能训练模型了。但现实没这么简单。

我举个例子：

• 客户A：借款10万，第30天还款，从未逾期
• 客户B：借款10万，第89天还款，逾期了但没超过90天
• 客户C：借款10万，第120天还款，逾期超过90天

这三个客户，谁是“好”，谁是“坏”？

按照行业惯例：

• 客户A：好客户，毫无疑问
• 客户B：争议区。有的机构算好，有的算坏
• 客户C：坏客户，没跑

我曾经在一家银行做项目，他们坚持把逾期60天以上的都算坏客户。结果模型区分度很差，因为很多客户只是忘了还款，并不是真的没钱。后来我们改成90天，模型效果立马提升。

1.3 建模数据集的结构：样本与特征

建模数据集，说白了就是一张大表格。每一行是一个客户，每一列是一个特征。

我习惯这样组织数据：

客户ID	年龄	收入	负债率	历史逾期次数	标签（是否违约）
001	28	15000	0.3	0	0（好）
002	35	8000	0.6	2	1（坏）
003	42	25000	0.2	1	0（好）

这里有几个关键点：

• 样本：就是客户。每个客户一条记录
• 特征：就是客户的属性。年龄、收入、负债率这些
• 标签：就是“好”或“坏”。0表示好，1表示坏

你可能会问：“特征从哪里来？”

嗯，这个问题问得好。特征主要来自三个地方：

1. 客户申请信息：年龄、职业、收入、学历等
2. 征信数据：历史贷款记录、逾期次数、查询次数等
3. 行为数据：消费习惯、还款方式、账户活跃度等

我在项目中遇到过最头疼的事，就是特征太多。有一次一个数据集有500多个特征，跑模型跑了三天三夜。后来我做了特征筛选，只保留30个最重要的，效果反而更好。

1.4 标签定义：违约窗口期

标签定义是PD模型里最容易被忽视、但也是最关键的一步。

什么叫“违约窗口期”？

说白了，就是你给客户多长的时间来“变坏”。

举个例子：

• 你在2023年1月1日给客户放了一笔贷款
• 你观察他12个月，到2023年12月31日
• 如果他在这个期间内逾期超过90天，就标记为“坏客户”

这里的“12个月”就是违约窗口期，“90天”就是违约阈值。

我个人的经验是：

• 窗口期太短（比如3个月）：很多客户还没来得及违约，就被标记为好客户。模型会低估风险
• 窗口期太长（比如24个月）：数据时效性差，而且很多客户可能已经还清了贷款，违约概率被稀释

我曾经做过一个对比实验：

• 窗口期6个月：模型AUC 0.72
• 窗口期12个月：模型AUC 0.78
• 窗口期18个月：模型AUC 0.76

你看，12个月的效果最好。所以我现在做项目，默认窗口期就是12个月。

1.5 知识体系总览

下面这张图，是我自己画的知识结构图。你可以把它当作本章的“地图”，看完之后对整个PD模型的基础框架有个整体印象。

这张图把本章的核心内容串起来了。你看到没？PD模型的目标就是“区分好坏”，而要实现这个目标，需要搞定两件事：一是“数据集结构”（样本和特征），二是“标签定义”（窗口期和阈值）。

嗯，到这里，第一章的内容就差不多了。记住一句话：模型的好坏，80%取决于数据准备，20%取决于算法选择。把基础打牢，后面的事情就顺了。

---

公众号:蓝海资料掘金营，微信deep3321