【项目实战】金融风控之信用评分卡模型

一、背景介绍

信用风险计量体系包括主体评级模型和债项评级两部分。
主体评级和债项评级均有一系列评级模型组成，其中主体评级模型可用“四张卡”来表示，分别是A卡（贷前申请评分卡）、B卡（贷中行为评分）、C卡（贷后评分卡）和F卡（贷前反欺诈评分卡）；债项评级模型通常按照主体的融资用途，分为企业融资模型、现金流融资模型和项目融资模型等。 我们主要讨论主体评级模型的开发过程。

二、项目流程

主要开发流程如下：
1）数据获取，包括机构客户和个人客户；
2）数据预处理，包括数据清洗、缺失值处理、异常值处理；
3）探索性数据分析，获取样本总体的大概情况，描述样本总体情况的指标主要有直方图、箱型图等；
4）变量选择，该步骤主要通过统计学的方法，筛选出对违约状态影响最显著的指标。主要有单变量特征选择方法和基于机器学习模型的方法；
5）模型开发，该步骤主要包括变量分段、变量的WOE（证据权重）变换和逻辑回归估算三部分；
6）模型评估，该步骤主要是评估模型的区分能力、预测能力、稳定性，并形成模型评估报告，得出模型是否可以使用的结论；
7）信用评分，根据逻辑回归的系数和WOE等确定信用评分的方法。将logistic模型转换为标准评分的形式；
8）建立评分系统，根据信用评分方法，简历自动信用评分系统；

三、数据集介绍

以下给出该数据集的前三行，是一个信用卡数据集，各个特征及其含义已给出

SeriousDlqin2yrs：是否是好客户，其中好客户为0，违约客户为1
RevolvingUtilizationOfUnsecuredLines：无担保循环信贷额度使用率
age ：年龄
NumberOfTime30-59DaysPastDueNotWorse：逾期30-59天且未恶化次数
DebtRatio ：负债比率
NumberOfOpenCreditLinesAndLoans：未结清信贷额度与贷款数量
NumberOfTimes90DaysLate：逾期90天的次数
NumberRealEstateLoansOrLines：房地产贷款或额度数量
NumberOfTime60-89DaysPastDueNotWorse：逾期60-89天次数未恶化
NumberOfDependents：抚养人数

可以看到labelY即是SeriousDlqin2yrs，我们需要用剩余的特征去预测一个样本是否延期。

3.0 特征解读

1、RevolvingUtilizationOfUnsecuredLines无担保循环信贷额度使用率
计算公式：使用率 = (所有循环信贷账户的当前总欠款 / 所有循环信贷账户的总授信额度) × 100%

使用率高低有什么影响？

• 对个人信用评分
  • 高使用率（>30%）：会被解读为过度依赖信贷、财务状况紧张，从而拉低信用评分。银行会认为你的违约风险较高；
  • 低使用率（<30%）：表明你管理信贷的能力良好，是负责人借款人的信号，有助于提升信用评分。
• 对带宽审批和额度管理
  • 影响新贷款审批：即使未使用的额度不计入负债，但银行在审批房贷、车贷时，会关注你的总授信和近期平均使用率。过高的手心总额或过多的信贷账户，都可能让银行认为你“资金紧张”而变得谨慎。
  • 触发风控导致“锁额”：如果每次都把额度用尽，风控系统会判定“资金缺口过大，风险过高”，可能导致额度被冻结或降低。相反，如果额度长期闲置不用，平台也可能判定你需求低而主动降低额度。

该数据是数值型数据，以下展示其训练集的分布

2、逾期指标

• NumberOfTime30-59DaysPastDueNotWorse (30-59天)：衡量轻微、早期的逾期行为；
• NumberOfTime60-89DaysPastDueNotWorse (60-89天)：衡量中等程度的逾期行为；
• NumberOfTimes90DaysLate (90天及以上)：衡量严重的逾期行为，这通常被直接定义为“坏账”或“违约”的代理变量。
  与M0\M1\M2的对应关系如下：

其他的指标比如DebtRatio负债比率、NumberOfOpenCreditLinesAndLoans未结清信贷额度与贷款数量、NumberRealEstateLoansOrLines房地产贷款或额度数量、NumberOfDependents受抚养人数较好理解，此处不做过多赘述。

3.1探索性数据分析

拿到一个数据集，我习惯是先看看整个数据的大小、分布、以及缺失值情况

3.1.1数据集基本信息

（0）数据读取

#载入数据data=pd.read_csv('cs-training.csv')

（1）数据集大小

""" 探索性数据分析 """data.shape data.columns data.info()

3.2 数据清洗

3.2.1 缺失值处理

""" 缺失值 """# 判断哪些列有空值data.isnull().any()# 每列空值的数量data.isnull().sum()

可以看到MonthlyIncome、NumberOfDependents有空值。
由于NumberOfDependents缺失样本仅占整个训练集的2.6%，故直接删除NumberOfDependents缺失的样本。
接下来采用随机森林的方法对MonthlyIncome进行缺失值补全

# 用随机森林对缺失值预测填充函数defset_missing(df):# 把已有的数值型特征取出来process_df=df.iloc[:,[5,0,1,2,3,4,6,7,8,9]]# 分成已知该特征和未知该特征两部分known=process_df[process_df.MonthlyIncome.notnull()].as_matrix()unknown=process_df[process_df.MonthlyIncome.isnull()].as_matrix()# X为特征属性值X=known[:,1:]# y为结果标签值y=known[:,0]# fit到RandomForestRegressor之中rfr=RandomForestRegressor(random_state=0,n_estimators=200,max_depth=3,n_jobs=-1)rfr.fit(X,y)# 用得到的模型进行未知特征值预测predicted=rfr.predict(unknown[:,1:]).round(0)print(predicted)# 用得到的预测结果填补原缺失数据df.loc[(df.MonthlyIncome.isnull()),'MonthlyIncome']=predictedreturndf data=set_missing(data)#用随机森林填补比较多的缺失值data=data.dropna()#删除比较少的缺失值data=data.drop_duplicates()#删除重复项data.to_csv('MissingData.csv',index=False)

3.2.2 异常值处理

缺失值处理完毕后，我们还需要进行异常值处理。异常值是指明显偏离大多数抽样数据的数值，比如个人客户的年龄为0时，通常认为该值为异常值。找出样本总体中的异常值，通常采用离群值检测的方法。
首先，我们发现变量age中存在0，显然是异常值，直接剔除：

# 年龄等于0的异常值进行剔除data=ata[data['age']>0]

对于变量NumberOfTime30-59DaysPastDueNotWorse、NumberOfTimes90DaysLate、NumberOfTime60-89DaysPastDueNotWorse这三个变量，均存在异常值，且由unique函数可以得知均存在96、98两个异常值，因此予以剔除。同时会发现剔除其中一个变量的96、98值，其他变量的96、98两个值也会相应被剔除。
剔除变量NumberOfTime30-59DaysPastDueNotWorse、NumberOfTimes90DaysLate、NumberOfTime60-89DaysPastDueNotWorse的异常值。另外，数据集中好客户为0，违约客户为1，考虑到正常的理解，能正常履约并支付利息的客户为1，所以我们将其取反。

#剔除异常值data=data[data['NumberOfTime30-59DaysPastDueNotWorse']<90]#变量SeriousDlqin2yrs取反data['SeriousDlqin2yrs']=1-data['SeriousDlqin2yrs']

3.2.3 数据切分

from sklearn.cross_validation import train_test_split

Y=data['SeriousDlqin2yrs']X=data.ix[:,1:]#测试集占比30%X_train,X_test,Y_train,Y_test=train_test_split(X,Y,test_size=0.3,random_state=0)# print(Y_train)train=pd.concat([Y_train,X_train],axis=1)test=pd.concat([Y_test,X_test],axis=1)clasTest=test.groupby('SeriousDlqin2yrs')['SeriousDlqin2yrs'].count()train.to_csv('TrainData.csv',index=False)test.to_csv('TestData.csv',index=False)

3.3 探索性数据分析

在建立模型前，通常会对现有数据进行探索性数据分析，这样可以帮助我们初步了解数据分布，在尽量少的先验假定下进行探索。常用的探索性数据分析方法有：直方图、散点图、箱线图等。

以上是对客户年龄分布的可视化，可以看到大体是呈现正态分布的。

3.4变量选择

3.4.1分箱处理

变量分箱是连续变量离散化的一种方法。信用评分卡开发中一般常用等距分段、等深分段和最优分段：

• 等距分段：分段的区间宽度一致，比如年龄以十年为一个分段
• 等深分段：先确定分段数量，然后令每个分段中的样本数量大致相等
• 最优分段（监督离散化）：利用目标变量的信息，将连续变量转化为能最大化其预测能力的离散变量
  等距分段和等深分段很好理解，此处着重介绍最优分段。
• 常见的最优分段算法
  • 基于决策树的方法：利用决策树的生长和剪枝过程来寻找最佳分割点，其中最小描述长度原则是常用的一种，它能自动平衡模型复杂度与拟合效果，避免过拟合。
  • 基于合并的方法：先进行非常细致的预分箱，然后根据某种准则（如卡方检验的P值）迭代地合并相邻箱子，直到满足停止条件。
  • 最优化方法：将分箱问题转化为一个有约束的数学优化问题，通过算法（如分支定界法）搜索在满足约束（如单调性）下使用目标函数（如信息值Ⅳ）最大的分箱方案。
• 为什么使用最优分箱
  • 提升模型预测能力：可更好捕捉特征与目标之间的非线性关系
  • 增强模型可解释性
  • 处理数据异常值
  • 满足特定弄醒要求
    在本项目中，首先选择对连续变量进行最优分段，在连续变量的分布不满足最优分段的要求时，再考虑对连续变量进行等距分段

# 定义自动分箱函数defmono_bin(Y,X,n=20):r=0good=Y.sum()bad=Y.count()-goodwhilenp.abs(r)<1:d1=pd.DataFrame({"X":X,"Y":Y,"Bucket":pd.qcut(X,n)})d2=d1.groupby('Bucket',as_index=True)r,p=stats.spearmanr(d2.mean().X,d2.mean().Y)n=n-1d3=pd.DataFrame(d2.X.min(),columns=['min'])d3['min']=d2.min().X d3['max']=d2.max().X d3['sum']=d2.sum().Y d3['total']=d2.count().Y d3['rate']=d2.mean().Y d3['woe']=np.log((d3['rate']/(1-d3['rate']))/(good/bad))d3['goodattribute']=d3['sum']/good d3['badattribute']=(d3['total']-d3['sum'])/bad iv=((d3['goodattribute']-d3['badattribute'])*d3['woe']).sum()d4=(d3.sort_index(by='min'))print("="*60)print(d4)cut=[]cut.append(float('-inf'))foriinrange(1,n+1):qua=X.quantile(i/(n+1))cut.append(round(qua,4))cut.append(float('inf'))woe=list(d4['woe'].round(3))returnd4,iv,cut,woe

此段代码用于分箱的核心是通过暴力搜索，直到分箱后的X和分箱后的Y的Spearman相关系数的绝对值为1。之后，其关键的几个步骤是：
1）计算证据权重WOE
若指标越大代表风险越低（资质越好），即指标越大，好客户越多，则WOE随指标增大而增大；若指标越大代表风险越大（资质越差），即指标越大，好客户越少，则WOE随指标增大而减小。

2）计算信息值IV
IV值的作用：衡量特征“含金量”的最直接标尺，可以根据数值大小将特征划分为不同等级，直接决定是否剔除该变量。

• 注意事项
  • IV值只能用于二分类
  • 分箱数量影响IV值：分箱越多，IV值越高（易过拟合）。因此计算IV值时，必须先进行合理的预分箱，不能用原始值直接算
  • 极端IV值（>0.5）往往有问题
    我们将数据集中RevolvingUtilizationOfUnsecuredLines到NumberOfDependents这10个自变量分别定义为x1-x10，通过以下代码计算他们的IV值并绘制条形图：

corr=data.corr()#计算各变量的相关性系数xticks=['x0','x1','x2','x3','x4','x5','x6','x7','x8','x9','x10']#x轴标签yticks=list(corr.index)#y轴标签fig=plt.figure()ax1=fig.add_subplot(1,1,1)sns.heatmap(corr,annot=True,cmap='rainbow',ax=ax1,annot_kws={'size':9,'weight':'bold','color':'blue'})#绘制相关性系数热力图ax1.set_xticklabels(xticks,rotation=0,fontsize=10)ax1.set_yticklabels(yticks,rotation=0,fontsize=10)plt.show()

根据前述基于IV值筛选变量的标准，删除了IV值小于0.1的5个变量，即DebtRatio、MonthlyIncome、NumberOfOpenCreditLinesAndLoans、NumberRealEstateLoansOrLines、NumberOfDependents。好坏用户居然跟负债率和月收入的关系较低，很出乎意料！

四、模型分析

4.1 WOE转换

# 替换成woecol_names=['RevolvingUtilizationOfUnsecuredLines','age','NumberOfTime30-59DaysPastDueNotWorse','DebtRatio','MonthlyIncome','NumberOfOpenCreditLinesAndLoans','NumberOfTimes90DaysLate','NumberRealEstateLoansOrLines','NumberOfTime60-89DaysPastDueNotWorse','NumberOfDependents']cut_list=[cutx1,cutx2,cutx3,cutx4,cutx5,cutx6,cutx7,cutx8,cutx9,cutx10]woe_list=[woex1,woex2,woex3,woex4,woex5,woex6,woex7,woex8,woex9,woex10]forcol,cut,woeinzip(col_names,cut_list,woe_list):data[col]=pd.cut(data[col],bins=cut,labels=woe,include_lowest=True)data.to_csv('WoeData.csv',index=False)

4.2 逻辑回归模型建立

# 逻辑回归模型建立importstatsmodels.apiassm data=pd.read_csv('WoeData.csv')#应变量Y=data['SeriousDlqin2yrs']#自变量，剔除对因变量影响不明显的变量X=data.drop(['SeriousDlqin2yrs','DebtRatio','MonthlyIncome','NumberOfOpenCreditLinesAndLoans','NumberRealEstateLoansOrLines','NumberOfDependents'],axis=1)X1=sm.add_constant(X)logit=sm.Logit(Y,X1)result=logit.fit()print(result.summary())

由上图知，逻辑回归各变量都通过显著性检验，满足要求