模型结果转换成信用评分卡，模型区分度衡量指标
信用评分需要满足的三点要求
- 控制评分在一定范围内，例如0-1000分之内
- FICO：300-800
- 正整数
- 在特定分数时，好客户和坏客户具有一定的比例关系odds，例如希望在评分制为500份时，好客户和坏客户的比例为50：1
（平均分数时，是抽样比例）
- 有时也被称为评分校准
- 评分值变动时应该能够反映好客户和坏客户比例关系的变化，例如希望评分值每增加50分的时候，odds也增加一倍，
- PDO:points to double the odds,使odds增加一倍所需要增加的分值。
- PTO:points to triple the odds,使odds增加2倍所需要增加的分值。
业界通用的评分计算公式
- 联立求解
- 与logistics回归结果结合(logit是坏样本的概率）
由于自变量已经分箱处理，所以我们用的自变量其实是分箱之后的WOE
为什么这样看这里：WOE转换
这样就是一个线性关系了
- 对于每一个箱体分箱
- n为变量数
新增-个人思考
- 首先要理解
:优势比
-
假设p是某件事情发生的概率，这里的p是违约发生的概率。
-
- 然后是
:证据权重
-
（待完善。。）
-
模型区分度衡量指标
1.KS（Kolmogorov-Smirnov）
- 是衡量分数区分能力的指标
- 横轴：信用评分值
- 纵轴：累计百分比
- 两条曲线：
- 分别代表好客户累计占比和坏客户累计占比
- 在模型有效的情况下，坏客户曲线应该在好客户曲线智商
- 这两条曲线距离越远，则模型效果越好
- KS=两条钱的相差最大值
- 一般认为区分度在30%以上的模型是可以接受的
(今晚问了一个做风控的大神，说是40%，还说不怎么看roc)
- 一般认为区分度在30%以上的模型是可以接受的
2. Gini Score
- 数值越低，表明划分纯度越高
3.Divergence Score离散度评分
模型预测能力衡量指标
1. AR（Accuracy Ratio）
- 是整体衡量分数预测能力的指标
- 需要完整的表现期，时间上会滞后（新进来样本的监控）
- 取值位于[-1,1]
2. Kendall's Tau（
）
- 衡量分数升降单调性的指标
- 如果模型正确，则低分数段的实际逾期率应当严格大于高分数段
-
- 取值范围-1~1,绝对值越大则表示关系强度越高
- 将分数划分为十组，计算各组的逾期率r（重新划分）
- 如果
的大小关系和i,j一致，则为同顺序对
- 如果
模型稳定性衡量指标
1.PSI（Population Stability Index）
- 人群分布不变时，评分卡的计算结果应当基本稳定
- 按分数分档后，针对不同样本、或者不同时间的样本，考察各个分数区间内人数占总数的占比是否有明显变化
- 经验界值
- <10%:无需更新模型
- 10-25%：检查其他度量方式
- 大于25%：需要更新模型
- 注意：PSI数值与分段方式有关，所以应该保持不变
2.迁移矩阵(Migration Matrix):衡量分数的迁移状况
- PSI 是针对分数整体进行考察，对应的个体可能并不相同
- 迁移矩阵是对同一个个体进行重复观察和比较
- 对相同的人群，观察向量两次监控周期中的分数迁移变化
- 实际计算中可以将分数段十等分，然后计算着十组间的迁移矩阵
缺点：只能定性判断，究竟迁移率达到多少，很难给出模型稳定性的判断标准
3. 检查逾期违约率的保守性
- 当发现有分组的逾期违约率低于实际违约率时，需要进行二项分布检验
网友评论