這場評分卡模型直播解答了我對於信貸風險的大部分疑問

8月4日下午15:00頂象第三期業務安全大講堂正式開講。本期業務安全大講堂由頂象研發總監管勝老師進行分享，針對信貸風控，管勝老師就評分卡模型做了深入淺出的講解，深刻剖析了評分卡模型的原理、如何構建評分卡模型以及評分卡模型如何評估、應用、跟蹤等問題，不僅讓大家對信用貸有了更深的理解，同時對評分卡模型的構建產生了極大關注度。

直播過程中，我們也收到了一系列關於評分卡模型的疑問，現將部分問答整理出來，供大家參考。感興趣的同學也可關注頂象公眾號或影片號回看直播重點。

Q1：評分卡模型為什麼要做篩選特徵，使用更多特徵不是更好嗎？

管勝：這個問題非常好，從演算法的推理來看，特徵越多模型的效果會越好，但是要注意，這個好可能僅僅發生在訓練集上，對於測試集可能就不好了，它跟特徵分箱是同一個道理，箱分得越細越多，過擬合的風險就越大，特徵越多同樣也會存在過擬合的風險，

除了過擬合的風險外，還有幾個壞處：

* 讓模型變得更復雜，解釋性變差。

* 引入特徵越多，模型上線的難度越大，線上上收集特徵可能不容易。

* 特徵可能會波動，特徵越多，整體模型的波動性也會更大，導致模型的穩定性下降。

Q2：PSI 對評分卡的穩定性監控很重要，你們是怎麼實現的？

管勝：模型的開發階段與應用監控階段是分開的，資料也是分開的，開發階段採用的是離線資料，應用階段是實時資料，而做PSI監控，需要對2個資料集採用一致的方式進行分箱，然後計算2個資料集的PSI，要實現這個PSI對比，工程的難度會很大，在我們的產品實現上讓演算法人員開發的模型，無感知就自動支援PSI監控，把開發與應用做了整合。

* 模型部署時，會自動將訓練集的資訊附帶在模型中；

* 模型在應用過程中，對應用樣本集按訓練集的方式進行分箱；

* 每個月，對比一次計算出PSI。

Q3：分箱合併的過程，卡方檢驗合併與WOE合併，哪一種效果更好？

管勝：這是2種完全不同的分箱合併的思路，不過他們的共同點都是：有監督的，利用標籤的資訊來判斷是否需要合併。

至於哪一種效果更好，其實並不能用公式來確定，需要根據實際的嘗試才能知道，從實際的經驗來看，兩種效果的差距並不大。不過，WOE合併相對卡方檢驗來說，在複雜程度與應用上都更加簡便。

Q4：評分卡的模型是怎麼在風控體系使用的？

管勝：評分卡模型分為A卡、B卡、C卡，在信貸風控中，這3種使用最為久遠與成熟。

A卡是貸前評分卡，也稱為反欺詐評分卡，作為準入門檻使用。

B卡是貸中評分卡，借貸期間或信用卡使用期間，管理使用者的風險與額度調整。

C卡是貸後評分卡，用於逾期催收借貸。

Q5：對機器學習、模型相關內容非常感興趣，想往這個方向轉，有推薦的書籍或者方法麼？

管勝：首先還是要有一定的數學與統計學基礎，對於傳統機器學習來說，更多的都是統計學的知識，建議先學習機率論與數理統計，另外還需要學習線性代數。然後在實踐中學習，安裝python 與sklearn，檢視演算法的內部實現程式碼，特別要深入理解模型的訓練與評估過程。對於深度學習，複雜的理論公式反而不多，建議多看引用量大的優秀Paper，學習更多的網路設計的原因與技巧。

Q6：我看您用的是自研的機器學習平臺，內建了哪些演算法呢？

管勝：已經封裝好的演算法元件有100+多個，涵蓋：資料讀寫、特徵工程、分類聚類迴歸演算法、文字類演算法、關聯網路類演算法、金融評分類演算法、時序資料類演算法、模型評估，另外還包括“人行徵信特徵衍生”元件，幾乎可以解決任意場景建模的演算法需求。

最後，再給大家簡單介紹下頂象《業務安全大講堂》系列直播課，本系列彙集業內大咖組建豪華講師天團，剖析各類欺詐手段，詳解前沿安全技術，幫助企業應對業務安全新風險。

下期將由頂象技術總監杜威為大家帶來《業務安全平臺核心模組解析——裝置指紋》的主題課程，敬請期待！