數據化風控：信用評分建模教程

比較通俗易懂，從中瞭解了風控的整體業務流程及相關技術。風控算法大多采用邏輯迴歸，而不是當前大火的深度學習模型，主要原因是邏輯迴歸可解釋性強，可控制，可根據業務需要進行參數及閾值的調整。這種方式下，特徵工程非常重要，需要對各種變量進行精細化的分析，才能達到好的效果。

對本行來說，風險監測在積累了足夠多的規則後，應該再往前一步做好評分卡模型在信貸和催收業務上的應用試驗。 然而實際情況是沒人再推動了。 不過對個人來說學習到不少知識就足夠了。 回到本書，融合了數據，應用統計學，信貸業務與催收業務流程分解等方面的內容，並穿插了美國信用卡業務場景。是一本不錯的入門教程。

好書，很全面的介紹了信用評分卡體系。

整個編排比較亂。 部分章節重複，比如消費產品分期和現金貸兩部分其實很相似，分成兩個章節沒有明顯的信息增量。 主旨不清晰，比如催收系統部分用了較爲詳盡的篇幅，那爲何不用對等的篇幅釐清貸前和貸中的思路？ 但不得不說，作爲數據化風控的入門讀物還是不錯的，提及的很多概念可以作爲索引去找更詳實的解釋內容。從這個角度來說，值得作爲基礎工具書多次翻閱。

信用評分的構建方法，流程介紹的比較詳細。具體模型算法，與及利用機器學習，融合多元數據等介紹的不多。

一個信用評分系統的開發完成，從目標的設立，到策略制定，數據收集，質量管理，規則驗證，模型開發，上線部署，狀態監控等等，很詳細的介紹了關於信用分析體系，值得一讀

章節內容部分重複，細節之處很多沒解釋清楚，文字偶有錯誤，忽略這些，作爲小白還是可以用此書來了解一下信用評分系統的建立流程的，算是比較詳細，算是做到了“人無我有”，畢竟此類書籍能找到的不多。 文章大體內容如下： 第一章 信用評分基礎認識與應用 信用評分的主要功能：一、以科學方法將風險模式數據化；二、提供客觀風險量尺，減少主觀判斷；三、提高風險管理效率，節省人力成本。 信用評分依發展母體區分：通用型評分、徵信機構評分、客製化評分 信用評分依使用時機區分：申請評分、行爲評分、催收評分。 信用評分的建立並非僅限於單純的模型開發，而是真正能夠給予風險管理及營銷業務實際幫助的整體方案。建立評分卡之前，風險管理單位必須就其對信用評分的期望、應用計劃及策略提出項目規劃，主要包括下列6項：項目目標、項目範圍、時程規劃、成本效益分析、配套措施、營運計劃。 模型開發：1、確定評分目的；2、基本定義；3、資料準備；4、變量分析；5、建立模型；6、拒絕理論；7、效力驗證。 評分應用 由於評分較細，爲求風險排序平滑及使用方便，通常會將其切分爲10～20個風險等級（Aligned Risk Grade，ARG），將風險相近者歸爲一類。 評分臨界點也可視爲銀行業務及風險的平衡點。雙臨界點的概念爲高臨界點以上覈准，低臨界點以下拒絕，介於兩臨界點之間者則由人工進一步審覈。多臨界點多與決策樹結合，不同條件下搭配不同評分臨界點，做出不同的決策。信用評分搭配決策支持系統可發揮具體的作用。 第二章 信用評分模型規格與設計 數據收集要注意：1、是否有足夠的壞樣本；2、數據的可得期間是否滿足項目目標（歷史數據在某種程度上具有與現行或未來母體客羣的相似性）；3、數據是否準確；4、排除瑕疵樣本或政策拒絕樣本（如VIP客羣或在銀聯中心強停的客羣）。 樣本期間、好壞客戶定義 賬齡分析 第三章 分組目的與分析選擇 將目標客羣利用組內差異小、組間差異大的特性，切割成不同的羣集，並針對個別分組開發適用的評分模型。經過分組而進行開發的模型，必須在稍後階段進行風險校準（Calibration），將各分組評分結果所代表的風險程度一致化。 分組分析的主要目的在於尋找一個適當的母體分組方式，將合格樣本區分至各個分組後，分別開發各自的評分模型。分組分析可採用以下方式：業務需求、統計預測力。一個理想的分組最好能同時滿足實務面與統計面的分析結果。 第四章 細緻分析與自變量分析 評分模型是將所有能預測客戶未來是否會發生目標事件的變量進行優化的排列組合，並予以適當的權重後，給予目標客羣一個客觀的信用評價。因此，模型變量的質與量會對評分模型的評價預測結果產生顯著的影響。變量有連續型和離散型，建議用離散型進行評分模型開發。 細緻分析與自變量分析 細緻分類：長變量列表完成後，會將變量按樣本比例均分（Equal Population）的方式分爲10～20個區間，觀察變量與目標事件的邏輯趨勢（Logical Trend）和實際業務經驗是否相符，如果趨勢與認知不相符，即表示該變量不適合用於開發模型，然後，再配合單變量分析結果進行變量篩選。 淘汰不合適的變量後，需對留下的變量進行單因子分析：變量在不同期間的穩定度（PSI：羣體穩定度指標）、對目標事件的預測能力大小（VOL：信息值）。對相關性較高（由相關係數判定）的變量進行篩選。篩選變量需要綜合考慮PSI、VOL、變量相關程度及業務認知。 粗略分類 篩選後的變量會收集至短變量列表，針對保留下來的變量我們會進行粗略分類，觀察原來細緻分類的變量分組趨勢是否需進一步合併。 第五章 模型建立方法討論 利用一個或多個變量以預測另一變量的方法被稱爲“迴歸分析”。“邏輯迴歸”（Logistic Regression）則是爲了利用多個解釋變量去預測一個二元事件（如是/否、好/壞等）而建立的迴歸模型。 模型建立：變量轉換-邏輯迴歸-線性迴歸-邏輯迴歸及線性迴歸模型合併-初始模型討論 第六章 拒絕推論的研究與方法 進行拒絕推論的原因主要是爲了防止申請樣本產生偏誤，進而還原申請當時母體的真實分配情形。 第七章 最終模型選擇與風險校準 最終模型產出是迴歸式，爲適應業務上的應用，需轉換爲分數。同一產品因其不同特性切分爲數個評分卡，需設定風險校準轉換不同分組評分使其達到相同的評分效果。評分卡分數需進行風險分隔，分層管理。模型的預測能力與診斷能力驗證可以通過基尼係數（洛倫茲曲線）、K-S值和ROC曲線上的面積（AUC）來實現。 第八章 決策點（cut-off）設定 依據事先設定的策略目標（如覈准率/覈准數/好壞件比率/好壞件數等），並參考信用評分模型評分分佈表，對預期目標（事先設定）與實際數據（由評分分佈表取得）的評分等級，制訂適當決策點。 第九章 信用評分模型監控報告 信用評分模型簡歷的基礎是：觀察期間的穩定度和表現期間的鑑別度。外部經濟形勢變化、內部經營策略調整都可能使用戶類別形態產生結構性的轉變，影響模型穩定度，因此需定期執行監控報告作業，在出現異常時進行維護，確保信用評分模型持續有效。 監控作業包括：1、數據輸入與評分作業正確性。2、徵信審覈人工否決評分結果分析。3、營銷活動表現分析。4、信用評分模型的穩定度與鑑別度報告等。 觀察期間的穩定度（前端監控報告），常見的有評分分佈表、羣體穩定度指標、變量穩定度分析、人工否決分析、數據輸入錯誤率分析、產品大事記。表現期間的鑑別度（後端監控報告），常見的有好壞客戶評分分佈表、母體鑑別度指標、變量鑑別度分析、好壞概率與評分分析、人工否決表現分析。 第十章 信用評分模型策略運用 業務策略制定：定義目標變量、擬定觀察期間與表現期間、尋找區隔變量、簡歷業務目標區隔模型、設定各客羣業務策略。 業務策略應用方式 第十一/十二章 信用評分模型案例（消費產品分期+現金貸） 數據樣本-樣本好壞表現定義-變量分析-模型建立與驗證 第十三章 催收框架 介紹西方金融市場的標準化催收管理流程。催收管理系統：催收分析部門（催收模型部門和催收策略部門）和催收服務部門。 第十四章 催收技巧及KPI標準

外行看了會哭，內行看了也會哭，瀏覽下標題理解下通篇邏輯就可以了，還是有所啓發的，公式部分不用太深究，不能當作嚴謹學術之作，否則耗時也喫不透。最後一章collection寫的不錯，直到我看到60%引用自同一出處… ps：基本圍繞信用卡場景展開的，其他場景很少

建模方面，自身積累不夠，看起來比較費力，對於各個變量對模型的權重，以及變量的選擇，變量的數據來源，還是不太懂

適合入門學習，瞭解金融機構評分卡模型，有的內容由於專業術語較多，無法立馬看懂，需要前後文對照着看。總體來說比較通俗易懂。