数据化风控：信用评分建模教程

比较通俗易懂，从中了解了风控的整体业务流程及相关技术。风控算法大多采用逻辑回归，而不是当前大火的深度学习模型，主要原因是逻辑回归可解释性强，可控制，可根据业务需要进行参数及阈值的调整。这种方式下，特征工程非常重要，需要对各种变量进行精细化的分析，才能达到好的效果。

对本行来说，风险监测在积累了足够多的规则后，应该再往前一步做好评分卡模型在信贷和催收业务上的应用试验。 然而实际情况是没人再推动了。 不过对个人来说学习到不少知识就足够了。 回到本书，融合了数据，应用统计学，信贷业务与催收业务流程分解等方面的内容，并穿插了美国信用卡业务场景。是一本不错的入门教程。

好书，很全面的介绍了信用评分卡体系。

整个编排比较乱。 部分章节重复，比如消费产品分期和现金贷两部分其实很相似，分成两个章节没有明显的信息增量。 主旨不清晰，比如催收系统部分用了较为详尽的篇幅，那为何不用对等的篇幅厘清贷前和贷中的思路？ 但不得不说，作为数据化风控的入门读物还是不错的，提及的很多概念可以作为索引去找更详实的解释内容。从这个角度来说，值得作为基础工具书多次翻阅。

信用评分的构建方法，流程介绍的比较详细。具体模型算法，与及利用机器学习，融合多元数据等介绍的不多。

一个信用评分系统的开发完成，从目标的设立，到策略制定，数据收集，质量管理，规则验证，模型开发，上线部署，状态监控等等，很详细的介绍了关于信用分析体系，值得一读

章节内容部分重复，细节之处很多没解释清楚，文字偶有错误，忽略这些，作为小白还是可以用此书来了解一下信用评分系统的建立流程的，算是比较详细，算是做到了“人无我有”，毕竟此类书籍能找到的不多。 文章大体内容如下： 第一章 信用评分基础认识与应用 信用评分的主要功能：一、以科学方法将风险模式数据化；二、提供客观风险量尺，减少主观判断；三、提高风险管理效率，节省人力成本。 信用评分依发展母体区分：通用型评分、征信机构评分、客制化评分 信用评分依使用时机区分：申请评分、行为评分、催收评分。 信用评分的建立并非仅限于单纯的模型开发，而是真正能够给予风险管理及营销业务实际帮助的整体方案。建立评分卡之前，风险管理单位必须就其对信用评分的期望、应用计划及策略提出项目规划，主要包括下列6项：项目目标、项目范围、时程规划、成本效益分析、配套措施、营运计划。 模型开发：1、确定评分目的；2、基本定义；3、资料准备；4、变量分析；5、建立模型；6、拒绝理论；7、效力验证。 评分应用 由于评分较细，为求风险排序平滑及使用方便，通常会将其切分为10～20个风险等级（Aligned Risk Grade，ARG），将风险相近者归为一类。 评分临界点也可视为银行业务及风险的平衡点。双临界点的概念为高临界点以上核准，低临界点以下拒绝，介于两临界点之间者则由人工进一步审核。多临界点多与决策树结合，不同条件下搭配不同评分临界点，做出不同的决策。信用评分搭配决策支持系统可发挥具体的作用。 第二章 信用评分模型规格与设计 数据收集要注意：1、是否有足够的坏样本；2、数据的可得期间是否满足项目目标（历史数据在某种程度上具有与现行或未来母体客群的相似性）；3、数据是否准确；4、排除瑕疵样本或政策拒绝样本（如VIP客群或在银联中心强停的客群）。 样本期间、好坏客户定义 账龄分析 第三章 分组目的与分析选择 将目标客群利用组内差异小、组间差异大的特性，切割成不同的群集，并针对个别分组开发适用的评分模型。经过分组而进行开发的模型，必须在稍后阶段进行风险校准（Calibration），将各分组评分结果所代表的风险程度一致化。 分组分析的主要目的在于寻找一个适当的母体分组方式，将合格样本区分至各个分组后，分别开发各自的评分模型。分组分析可采用以下方式：业务需求、统计预测力。一个理想的分组最好能同时满足实务面与统计面的分析结果。 第四章 细致分析与自变量分析 评分模型是将所有能预测客户未来是否会发生目标事件的变量进行优化的排列组合，并予以适当的权重后，给予目标客群一个客观的信用评价。因此，模型变量的质与量会对评分模型的评价预测结果产生显著的影响。变量有连续型和离散型，建议用离散型进行评分模型开发。 细致分析与自变量分析 细致分类：长变量列表完成后，会将变量按样本比例均分（Equal Population）的方式分为10～20个区间，观察变量与目标事件的逻辑趋势（Logical Trend）和实际业务经验是否相符，如果趋势与认知不相符，即表示该变量不适合用于开发模型，然后，再配合单变量分析结果进行变量筛选。 淘汰不合适的变量后，需对留下的变量进行单因子分析：变量在不同期间的稳定度（PSI：群体稳定度指标）、对目标事件的预测能力大小（VOL：信息值）。对相关性较高（由相关系数判定）的变量进行筛选。筛选变量需要综合考虑PSI、VOL、变量相关程度及业务认知。 粗略分类 筛选后的变量会收集至短变量列表，针对保留下来的变量我们会进行粗略分类，观察原来细致分类的变量分组趋势是否需进一步合并。 第五章 模型建立方法讨论 利用一个或多个变量以预测另一变量的方法被称为“回归分析”。“逻辑回归”（Logistic Regression）则是为了利用多个解释变量去预测一个二元事件（如是/否、好/坏等）而建立的回归模型。 模型建立：变量转换-逻辑回归-线性回归-逻辑回归及线性回归模型合并-初始模型讨论 第六章 拒绝推论的研究与方法 进行拒绝推论的原因主要是为了防止申请样本产生偏误，进而还原申请当时母体的真实分配情形。 第七章 最终模型选择与风险校准 最终模型产出是回归式，为适应业务上的应用，需转换为分数。同一产品因其不同特性切分为数个评分卡，需设定风险校准转换不同分组评分使其达到相同的评分效果。评分卡分数需进行风险分隔，分层管理。模型的预测能力与诊断能力验证可以通过基尼系数（洛伦兹曲线）、K-S值和ROC曲线上的面积（AUC）来实现。 第八章 决策点（cut-off）设定 依据事先设定的策略目标（如核准率/核准数/好坏件比率/好坏件数等），并参考信用评分模型评分分布表，对预期目标（事先设定）与实际数据（由评分分布表取得）的评分等级，制订适当决策点。 第九章 信用评分模型监控报告 信用评分模型简历的基础是：观察期间的稳定度和表现期间的鉴别度。外部经济形势变化、内部经营策略调整都可能使用户类别形态产生结构性的转变，影响模型稳定度，因此需定期执行监控报告作业，在出现异常时进行维护，确保信用评分模型持续有效。 监控作业包括：1、数据输入与评分作业正确性。2、征信审核人工否决评分结果分析。3、营销活动表现分析。4、信用评分模型的稳定度与鉴别度报告等。 观察期间的稳定度（前端监控报告），常见的有评分分布表、群体稳定度指标、变量稳定度分析、人工否决分析、数据输入错误率分析、产品大事记。表现期间的鉴别度（后端监控报告），常见的有好坏客户评分分布表、母体鉴别度指标、变量鉴别度分析、好坏概率与评分分析、人工否决表现分析。 第十章 信用评分模型策略运用 业务策略制定：定义目标变量、拟定观察期间与表现期间、寻找区隔变量、简历业务目标区隔模型、设定各客群业务策略。 业务策略应用方式 第十一/十二章 信用评分模型案例（消费产品分期+现金贷） 数据样本-样本好坏表现定义-变量分析-模型建立与验证 第十三章 催收框架 介绍西方金融市场的标准化催收管理流程。催收管理系统：催收分析部门（催收模型部门和催收策略部门）和催收服务部门。 第十四章 催收技巧及KPI标准

外行看了会哭，内行看了也会哭，浏览下标题理解下通篇逻辑就可以了，还是有所启发的，公式部分不用太深究，不能当作严谨学术之作，否则耗时也吃不透。最后一章collection写的不错，直到我看到60%引用自同一出处… ps：基本围绕信用卡场景展开的，其他场景很少

建模方面，自身积累不够，看起来比较费力，对于各个变量对模型的权重，以及变量的选择，变量的数据来源，还是不太懂

适合入门学习，了解金融机构评分卡模型，有的内容由于专业术语较多，无法立马看懂，需要前后文对照着看。总体来说比较通俗易懂。