← 返回作品集

🏦 信用评分卡：银行怎么给贷款人打分

消费金融业用了几十年的标准方法：每个申请条件切成若干档，每档有明确的分，加起来就是信用分。 本页不是黑箱模拟器——模型的完整内部（15 特征 / 87 分档 / 每档真实违约率）全部摊开可翻。 源码 ｜ 数据 Home Credit ｜ 交叉验证 AUC 0.732

① 输入申请人信息

② 评分结果

—
预测违约概率（PD）：—
—
💡 试试：把征信分 2 拖到 0.8 以上，看分数和风险标签怎么跳。

③ 分数从哪来：15 个特征的贡献

它在算什么 · 五步流水线（全部在你的浏览器里完成）

1原始输入

8 个数字：征信分×3、年龄、工龄、三个金额。

→
2特征构造

按训练管线同一套公式造出 15 个特征：乘积、平方、贷年金比、工龄年龄比。

→
3WoE 分箱

每个特征落进按历史数据切出的最优区间（共 87 档）。

→
4查表求和

落哪档取哪档的分，15 个分直接相加——没有黑箱。

→
5刻度与 PD

600 分 = 坏好比 1:50，每 +20 分好客户几率翻倍（PDO=20）。PD 由总分反推。

④ 评分卡本卡 · 完整分档表

选特征 → 看模型内部：每档多少人、历史违约率多少、给多少分。你当前的输入落在哪档，已蓝色高亮——"可解释性"的本体就在这。

分档区间人群占比历史违约率WoE该档得分

方法注释（一句人话版）

WoE（证据权重）：这一档的"坏客户浓度"比全场平均高还是低（取对数）——负数 = 更危险。
IV（信息值）：一个特征多能区分好坏客户，IV>0.3 算强。本模型最强特征 IV≈0.53。
PDO（翻倍点）：每 +20 分好坏比翻一倍——分数因此有物理意义。
PSI（稳定性）：上线后盯"人口分布漂没漂"，本模型 14/15 特征稳定。
生产管线：optbinning 最优分箱 / 5 折 OOF 无泄漏评估 / XGBoost 对照 / SHAP 分析，见仓库 src/riskscore/ 与 reports/。

本页仅为方法演示，不构成信贷建议。演示数据：Home Credit Default Risk（公开数据集）。