還沒有整理【風控】互聯網金融-構建評分卡模型部分知識點

1. 模型部署方式：將模型轉爲PMML文件或者框架、服務器方式作接口調用。
2. 特色是：筆數多，單筆金額小，數據維度豐富
3. 信用評分作準入，行爲評分作調額，貸中管理，或者提早催收
4. 催收評分卡，能夠預測M1轉到M2的機率，M2轉到M3的機率，催收回款率等
5. 觀察期與特徵變量選擇：必定要選擇貸前就能獲取的特徵，通常圍繞客戶的還款能力、還款意願、穩定性和多頭借貸展開，還要兼顧本身的產品客羣定位、用戶體驗、數據成本。好比產品是農戶貸，那麼社保、公積金、網銀工資流水就是不須要獲取的特徵。若是產品目標是電商小商戶，則電商數據就是很是有用的特徵。
6. 表現期與好壞客戶定義:表現期是指放款日期至放款後逾期率開始穩定的時間段。好壞客戶根據各信貸產品的應用場景不一樣而定，能夠經過遷徙率設定(預期五天到M1，M1到M2，…一段時期的遷徙比例來決定y的0 and 1)
7. 現金貸表現期通常一個月；消金3-6個月；信用卡是12個月
8. 邏輯迴歸模型服從的前提假設：

　　　　①自變量不能相關，即排除自相關性，還有共線性；②變量必定要顯著。③變量要獨立同分布。

　　　　因此咱們要進行共線性篩查，顯著性篩查，相關性篩查，才能選擇出入模變量。

　　 9. 邏輯迴歸建立評分卡模型核心步驟：

　　　　a)       變量分箱，能夠排除異常值的影響，分法有等寬、等頻、人工指定分箱、C4.5決策樹、卡方分箱。

　　　　b)      WOE編碼。做用：排除量綱影響。計算方式是每箱好樣本比例與壞樣本比例的比值的天然對數。

　　　　c)       IV值，又稱爲信息濃度。計算公式是每箱好樣本比例與壞樣本比例的差值，再乘以對應的WOE值，通常選擇IV>=0.02的變量。

　　　　d)      共線性、相關性、顯著性檢驗。

　　　　e)       計算每一個變量對應切分點的分數。Score=A+B*ln(odds)，y=logist(p)=ln(p/(1-p))=b+aX=b+coewoe

　　10. 建模樣本：負樣本佔總樣本比例5%以上就行，最好是10%以上。

　　11. 變量分爲連續變量與分類變量的依據是: 連續變量的水平種類在10種以上，分類變量的水平種類在10種如下。

　　12. 字符型分類變量轉整型 爲何模型容易調用？        

　　13. 字符型分類變量轉爲數值型方式：啞變量，WOE編碼，壞樣本率。

　　14. 自動化分箱(最優分箱)：KS分箱，卡方分箱，決策樹分箱。手動分箱：WOE(ln(odds))。對樣本集最優，但會忽略可解釋性。

　　15. 評分卡計算分數公式

　　16. 評分卡模型創建完成，須要檢驗準確性和穩定性，還要監控

　　17. 分箱，數據處理，特徵衍生，有效性，分數穩定性，變量穩定性，模型調優可能比不上業務上的邏輯變量。