（信貸風控八）行爲評分卡模型（B卡）的介紹

 

原文連接 https://blog.csdn.net/LuYi_WeiLin/article/details/87907948

（八）行爲評分卡模型（B卡）的介紹
在信貸業務中，評分卡分爲三種：

申請評分卡(A卡)
行爲評分卡(B卡)
催收評分卡(C卡)
本篇咱們來學習一下行爲評分卡(B卡)，首先什麼是行爲評分卡呢，行爲評分卡的使用場景以及目的，適用的信貸產品？

 

 

其中特別注意一下，不適合先息後本的信貸產品，由於每月的違約機率不同，很差預測

 

觀察期和表現期
學習行爲評分卡以前，要了解一些概念，什麼是觀察期和表現期，什麼是觀察點

 

 

觀察期觀察的是行爲，表現期預測表現好壞

P（表現期好壞/觀察期行爲）

這裏要注意一下，假如咱們定義表現壞客戶爲M3+，觀察期時間窗口爲12個月，則起碼要收集12+3個月的數據

 

固然觀察點也不宜太長，由於不到MOB的客戶，不能進入行爲評分卡中，會丟失大量重要數據

當此刻的時間知足了MOB可是不知足觀察期，也能夠構建B卡，可是有一些變量表現效果不怎麼好（由於和每一個變量的收集間隔有關，間隔長的變量收集得太少，表現天然不佳）

 

講完了觀察期和表現期，咱們就來說一下信用評分卡經常使用的特徵構造，特徵構造以前咱們來學習一個定義：時間切片

時間切片

特徵構造
通常有如下幾類特徵

還款率類型的特徵

 

額度使用率類型的特徵

 

逾期類型的特徵
這裏注意一下，不能用輕度逾期去預測輕度逾期，不能用重度逾期去預測重度逾期，這裏的目標變量是DPD（day past due）90，變量能夠是DPD60、DPD30等

 

消費類型的特徵（每一筆消費有具體詳細能夠作）

三方機構（社交數據、出行數據）
 

下面就來說解一下行爲評分卡創建模型的步驟（和申請評分卡差很少）

數據預處理
特徵衍生

特徵處理與篩選

 

 

 

變量分箱
模型的參數估計（邏輯迴歸模型）

特徵挑選
邏輯迴歸要求係數爲負並且P值要顯著，咱們使用外生模型GBDT估計模型重要性

 

 

也就是挑選4個GBDT模型最重要的變量進行邏輯迴歸後，發現其邏輯迴歸係數爲負，以後咱們按照GBDT模型變量重要性降序順序一個一個往裏面加，每加一個，進行一次邏輯迴歸，發現存在邏輯迴歸係數爲正的，就能夠把該變量剔除

 

添加完全部變量後，邏輯迴歸結果以下圖所示，仍是存在P值不顯著狀況，單獨拿去這些變量一個一個與目標變量進行邏輯迴歸檢驗其顯著性

 

因此，咱們使用LASSO再次進行變量挑選

 

模型的性能測試

機率轉換爲分數