逻辑回归评分卡100问——基于申请评分卡

Q001、逻辑回归与线性回归的区别?

在国内的大多数金融机构内,已经很少看到使用线性回归模型来做评分卡的了。目前用的最多的还是以逻辑回归模型,当然,基于机器学习的评分模型也越来越得到市场的认可。

线性回归的一般表示方法如下:

\[p(x_i)=\beta x_i^T=\beta_0 + \beta_1x_{i1}+\beta_2x_{i2}+\cdots+\beta_nx_{in} \]

其中,\(p(x_i)\)表示在第\(i\)个样本违约的概率。

因为概率值介于0-1之间,很明显线性回归不满足这个要求。

关于逻辑回归的叙述,见我的另一篇文章《逻辑回归——牛顿法矩阵实现方式》,文中顺便给出了梯度下降求解的方法。

Q002、逻辑回归的目标函数是什么?

Q003、逻辑回归对不平衡样本是否敏感?

Q004、有哪些最优分箱的方法?

Q005、逻辑回归的结果如何检验?

Q006、为什么需要进行WOE转换?

对于建模样本中某个特征X,假设经过WOE转换后,共计有K个分箱。即

\[W_i = ln[(N_i/\sum_{i=1}^k N_i)/(P_i/\sum_{i=1}^k P_i)] \]

现在对WoE进行改写,

\[\begin{aligned} W_i&=ln(\frac{N_i}{\sum N_i}/\frac{P_i}{\sum P_i}) \\&=ln(\frac{N_i \times (N_i+P_i)}{\sum N_i \times ( N_i+ P_i)}/\frac{P_i \times ( N_i+ P_i)}{\sum P_i \times ( N_i+ P_i)}) \\&=ln[(p_{N_i}\times\frac{ N_i+ P_i}{\sum N_i})/(P_{P_i}\times \frac{ N_i+ P_i}{\sum P_i})] \\&=ln[p_{N_i}/(1-p_{N_i}]-ln(\sum N_i/\sum P_i) \end{aligned} \]

当然,上述变式还有其他方法。根据改变后的WoE,我们可以看到,WoE与逻辑函数之间是线性关系,这就说明,经过WoE转换后的特征,特别适合用于逻辑回归模型

另外需要说明的是,在建模样本与总体样本分布一致的情况下,根据建模样本或者总体样本计算的WoE几乎没有差别。

假设好样本是原来的10倍,坏样本样本量不变,则

\[\begin{aligned} W_i&=ln[p_{N_i^{'}}/(1-p_{N_i^{'}}]-ln(\sum N_i^{'}/\sum P_i^{'}) \\&=ln(10\times N_i/P_i)-ln(10\times \sum N_i/\sum P_i) \\&=ln[p_{N_i}/(1-p_{N_i}]-ln(\sum N_i/\sum P_i) \end{aligned} \]

但是,当某个特征在建模样本和全样本上分布差异比较大的时候,根据建模样本计算出来的WoE对于总体样本的代表性较差,此处建议根据全样本计算WoE,然后代入模型计算。

Q007、有哪些通用的数据预处理方案?

Q008、如何进行概率转评分?

逻辑回归的结果是一个类似于概率的位于(0,1)之间的实数,在实践中,我们需要将概率转化为分数。那么,到底有哪些评分转换的方式呢?

考虑下面一个简单的逻辑回归评分卡:

variable name value coef woe
const. - -1.034 -
gender male 0.45 0.32
gender famale 0.45 -0.45
edu_level 高中及以下 0.86 0.54
edu_level 大专 0.86 0.05
edu_level 本科及以上 0.86 -0.61
income (0,3000) 1.02 0.67
income [3000,7000) 1.02 0.10
income [7000,12000) 1.02 -0.13
income [12000,+) 1.02 -0.44

对如下几个样本计算得分:

No. gender edu_level income constant
1 - 0.45 0.05 0.67 1
2 - 0.45 0.54 0.10 1
3 0.32 0.05 -0.13 1
4 0.32 -0.61 -0.44 1

一、直接进行线性转换

将逻辑回归的结果乘以一个固定的系数,如期望的分数区间落于(300-800)之间,并且分数越高,客户资质越好,则对应的转换公式为:

\[Score = 800 - 500\times p \]

各样本得分如下表:

No. gender edu_level income constant Pr score
1 - 0.45 0.05 0.67 1 0.3752 612
2 - 0.45 0.54 0.10 1 0.3385 631
3 0.32 0.05 -0.13 1 0.2730 664
4 0.32 -0.61 -0.44 1 0.1343 733

二、指定违约概率的转换

在实际业务中,我们希望客户的评分呈现正态分布,而逻辑回归的结果,是个概率值,根据逻辑函数的图像可知,概率值不可能是正态的。

另一方面,我们总是希望评分是可加的,即总分是由各个分项的子分相加得来的,概率值显然不具有这样的特性。

此外,我们还希望评分具有稳定性,即某个分数段对应的违约率应该是固定的,这样有利于风控策略的制定。同时,还要求分数每下降固定数值,违约率呈现指数递增的趋势。

也就是说,最好是评分与\(ln(odds)\)具有线性关系。

即:

\[Score = A+Bln(odds) \]

现在我们做出如下假设:

(1)500分对应好坏比为10:1

(2)评分每增加50分,好坏比增加一倍,即令PDO=50

分别将500分和550分代入上式

\[\begin{aligned} 500 &= A+ Bln(10) \\ 550 &= A +Bln(20) \end{aligned} \]

解得:

\[\begin{aligned} B&=\frac{50}{ln(2)}=72.13\\ A&=500-Bln(10)=333.9\\ \end{aligned} \]

可得评分计算公式:

\[Score =333.90+72.13ln(odds) \]

由于这里我们约定Pr是坏客户的概率,即:

\[ln(odds)=ln(\frac{Pr(G|X)}{Pr(B|X)})=ln(\frac{1-p}{p})=-ln(\frac{p}{1-p})=-(\beta_0+\beta_1x_1+\cdots+\beta_nx_n) \]

代入上述评分转换公式:

\[\begin{aligned} Score&=333.90-72.13\times(\beta_0+\beta_1x_1+\cdots+\beta_nx_n)\\ &=333.90-72.13\beta_0+72.13\times(-\beta_1x_1-\beta_2x_2-\cdots-\beta_nx_n) \end{aligned} \]

可以得到如下评分卡:

variable name value coef woe A B Score_Ori Score_Adj
const. - -1.034 - 333.90 72.13 408 0
gender male 0.45 0.32 333.90 72.13 -10 126
gender famale 0.45 -0.45 333.90 72.13 15 151
edu_level 高中及以下 0.86 0.54 333.90 72.13 -33 103
edu_level 大专 0.86 0.05 333.90 72.13 -3 133
edu_level 本科及以上 0.86 -0.61 333.90 72.13 38 174
income (0,3000) 1.02 0.67 333.90 72.13 -49 87
income [3000,7000) 1.02 0.10 333.90 72.13 -7 129
income [7000,12000) 1.02 -0.13 333.90 72.13 10 146
income [12000,+) 1.02 -0.44 333.90 72.13 32 169

上述几个样本的得分如下:

No. gender edu_level income constant Pr score
1 - 0.45 0.05 0.67 1 0.3752 371
2 - 0.45 0.54 0.10 1 0.3385 383
3 0.32 0.05 -0.13 1 0.2730 405
4 0.32 -0.61 -0.44 1 0.1343 469

表格中,Score_Ori是计算出的原始分数,可以看出分数有正有负。一个比较合理的调整方案是,将常数项的分数,平均分配到每个得分中。这里一共有3个变量,则将408均分到三个变量上,使每个变量都变成正数。

全为正数的得分更加符合人的逻辑,同时也方便部署。

三、指定分数区间的转换

第二种转换方式,得到的评分区间不总是固定的,如果想要评分固定在某个区间内,则可以稍作调整。

已知变量取值经过WoE转换以后,值是有限的,因此,得到的评分,也一定是有限的。我们假设评分介于300-850之间,即

\[\begin{aligned} Score_{min}=A+B\times min(ln(odds))=300\\ Score_{max}=A+B\times max(ln(odds))=850 \end{aligned} \]

根据上一节可知:

\[ln(odds)=-(\beta_0+\beta_1x_1+\cdots+\beta_nx_n) \]

则:

\[\begin{aligned} min(ln(odds))&=min(-(\beta_0+\beta_1x_1+\cdots+\beta_nx_n))\\ &=-(-1.034+0.32\times0.45+0.54\times0.86+0.67\times1.02)\\ &=-0.2578 \end{aligned} \]

同理,

\[\begin{aligned} max(ln(odds))&=max(-(\beta_0+\beta_1x_1+\cdots+\beta_nx_n))\\ &=2.2099 \end{aligned} \]

代入评分转换公式:

\[\begin{aligned} Score_{min}&=A+B\times (-0.2578))=300\\ Score_{max}&=A+B\times 2.2099=850 \end{aligned} \]

解得:

\[\begin{aligned} A&=357.46\\ B&=222.88\\ Score&=357.46+222.88ln(odds)\\ &=357.46-222.88\times(\beta_0+\beta_1x_1+\cdots+\beta_nx_n) \end{aligned} \]

可以得到如下评分卡:

variable name value coef woe A B Score_Ori Score_Adj
const. - -1.034 - 347.46 222.88 588 0
gender male 0.45 0.32 347.46 222.88 -32 164
gender famale 0.45 -0.45 347.46 222.88 46 242
edu_level 高中及以下 0.86 0.54 347.46 222.88 -105 91
edu_level 大专 0.86 0.05 347.46 222.88 -10 186
edu_level 本科及以上 0.86 -0.61 347.46 222.88 120 316
income (0,3000) 1.02 0.67 347.46 222.88 -156 40
income [3000,7000) 1.02 0.10 347.46 222.88 -23 173
income [7000,12000) 1.02 -0.13 347.46 222.88 31 227
income [12000,+) 1.02 -0.44 347.46 222.88 104 300

上述几个样本的得分如下:

No. gender edu_level income constant Pr score
1 - 0.45 0.05 0.67 1 0.3752 471
2 - 0.45 0.54 0.10 1 0.3385 507
3 0.32 0.05 -0.13 1 0.2730 578
4 0.32 -0.61 -0.44 1 0.1343 778

四、总结

上述三种方法,均是比较常用的评分转换方式。其中,方法二和方法三比较常用于信用分的转换,方法一常用于欺诈分的转换。上述几个方法各有优劣,主要表现为:

(1)方法一直接使用概率的线性转换,简单明了,但是转换后的分数不符合正态分布,会在高分段大规模集中,不符合业务上的直觉。

(2)方法二是目前最常用的转换方式,对于采用同一基准和PDO的分数,可以直接进行对比。但是方法二无法保证评分落在某个固定区间。

(3)方法三保证了评分介于一个固定的区间,但是模型迭代以后,相同评分对应的违约率不同,相应的策略可能需要调整。

值得说明的是,上述三种方法,评分的排序是一致的,即评分在总体中的位置是不变的。

综上,本文建议使用方法二。

Q009、如何评价评分卡好坏?

All models are wrong, but some are useful.
——George E. P. Box

正如英国统计学家George E. P. Box所言,所有的模型都是错误的,但有一些很有用。这句话,用在信用评分领域最好不过了。对于信用评分的开发者来说,我们的目的不是找一个预测率百分比的模型,当然,这样的模型也找不到。而是找一个有用的模型,能够有效的区分出高风险客群和低风险客群。银行等金融机构就是经营风险的,在平衡风险的过程中获利。

那么,什么样的模型才是有用的模型呢?

在实践中,我们经常使用KS统计量来衡量模型的区分度,并且总是以自己的KS高于竞争对手而感到自豪。KS统计量是基于经验累积概率分布函数计算出来的,在同一个图中,绘制出好客户和坏客户的经验累积概率分布函数,两条曲线之间的最大差值,即是KS统计量。

逻辑回归评分卡100问——基于申请评分卡

上述为某机构申请评分模型的全样本KS表现,在580-600这个分数区间内,KS达到最大值60%。在实践中,很多同学对于KS抱有疑问,主要表现为以下几点:

(1)cut-off是否应该切在KS所在区间?

(2)KS是否越大越好?

下面,我们一个一个来解答。

对于问题一,KS是用来衡量模型的最大区分能力,而具体cut-off的确定,还需要策略的同学进行分析后确定。在进行cut-off确定的时候,我们要同时考虑核准率和不良率,并且辅之以提升度进行分析确定。

评分 全样本 累积全样本 累积好 累积坏 好占比 坏占比 好累积 坏累积 KS Bad_Rate ln(odds) Bad_Rate2 Bad_Rate3 Lift 核准率
[300, 320) 18 6 12 18 6 12 0.01% 0.40% 0.01% 0.40% 0.40% 66.67% -0.69 66.67% 2.92% 22.73 99.98%
[320, 340) 52 23 29 70 29 41 0.02% 0.97% 0.03% 1.38% 1.35% 55.77% -0.23 58.57% 2.89% 19.97 99.93%
[340, 360) 76 32 44 146 61 85 0.03% 1.48% 0.06% 2.85% 2.79% 57.89% -0.32 58.22% 2.85% 19.85 99.86%
[360, 380) 144 61 83 290 122 168 0.06% 2.79% 0.12% 5.64% 5.52% 57.64% -0.31 57.93% 2.78% 19.75 99.71%
[380, 400) 200 108 92 490 230 260 0.11% 3.09% 0.23% 8.73% 8.50% 46.00% 0.16 53.06% 2.69% 18.09 99.52%
[400, 420) 346 212 134 836 442 394 0.22% 4.50% 0.45% 13.23% 12.78% 38.73% 0.46 47.13% 2.57% 16.07 99.18%
[420, 440) 513 342 171 1349 784 565 0.35% 5.74% 0.80% 18.97% 18.18% 33.33% 0.69 41.88% 2.41% 14.28 98.67%
[440, 460) 786 594 192 2135 1378 757 0.60% 6.45% 1.40% 25.42% 24.02% 24.43% 1.13 35.46% 2.23% 12.09 97.90%
[460, 480) 1086 849 237 3221 2227 994 0.86% 7.96% 2.26% 33.38% 31.12% 21.82% 1.28 30.86% 2.02% 10.52 96.83%
[480, 500) 1472 1236 236 4693 3463 1230 1.25% 7.92% 3.51% 41.30% 37.79% 16.03% 1.66 26.21% 1.80% 8.94 95.38%
[500, 520) 2104 1842 262 6797 5305 1492 1.87% 8.80% 5.38% 50.10% 44.72% 12.45% 1.95 21.95% 1.57% 7.48 93.31%
[520, 540) 2807 2547 260 9604 7852 1752 2.58% 8.73% 7.97% 58.83% 50.86% 9.26% 2.28 18.24% 1.33% 6.22 90.54%
[540, 560) 3621 3370 251 13225 11222 2003 3.42% 8.43% 11.39% 67.26% 55.87% 6.93% 2.60 15.15% 1.10% 5.16 86.98%
[560, 580) 4535 4300 235 17760 15522 2238 4.36% 7.89% 15.75% 75.15% 59.40% 5.18% 2.91 12.60% 0.88% 4.30 82.51%
[580, 600) 5482 5297 185 23242 20819 2423 5.37% 6.21% 21.12% 81.36% 60.24% 3.37% 3.35 10.43% 0.71% 3.55 77.11%
[600, 620) 6319 6172 147 29561 26991 2570 6.26% 4.94% 27.38% 86.30% 58.92% 2.33% 3.74 8.69% 0.57% 2.96 70.89%
[620, 640) 7150 7021 129 36711 34012 2699 7.12% 4.33% 34.51% 90.63% 56.12% 1.80% 4.00 7.35% 0.43% 2.51 63.85%
[640, 660) 7740 7657 83 44451 41669 2782 7.77% 2.79% 42.28% 93.42% 51.14% 1.07% 4.52 6.26% 0.34% 2.13 56.22%
[660, 680) 8112 8044 68 52563 49713 2850 8.16% 2.28% 50.44% 95.70% 45.26% 0.84% 4.77 5.42% 0.26% 1.85 48.23%
[680, 700) 8043 7999 44 60606 57712 2894 8.12% 1.48% 58.55% 97.18% 38.63% 0.55% 5.20 4.78% 0.21% 1.63 40.31%
[700, 720) 7469 7435 34 68075 65147 2928 7.54% 1.14% 66.10% 98.32% 32.22% 0.46% 5.39 4.30% 0.15% 1.47 32.96%
[720, 740) 7048 7035 13 75123 72182 2941 7.14% 0.44% 73.23% 98.76% 25.52% 0.18% 6.29 3.91% 0.14% 1.33 26.02%
[740, 760) 6269 6256 13 81392 78438 2954 6.35% 0.44% 79.58% 99.19% 19.61% 0.21% 6.18 3.63% 0.12% 1.24 19.84%
[760, 780) 5382 5370 12 86774 83808 2966 5.45% 0.40% 85.03% 99.60% 14.57% 0.22% 6.10 3.42% 0.08% 1.17 14.54%
[780, 800) 4491 4487 4 91265 88295 2970 4.55% 0.13% 89.58% 99.73% 10.15% 0.09% 7.02 3.25% 0.08% 1.11 10.12%
[800, 820) 3579 3576 3 94844 91871 2973 3.63% 0.10% 93.21% 99.83% 6.62% 0.08% 7.08 3.13% 0.07% 1.07 6.60%
[820, 840) 2640 2639 1 97484 94510 2974 2.68% 0.03% 95.89% 99.87% 3.98% 0.04% 7.88 3.05% 0.10% 1.04 4.00%
[840, 860) 1870 1868 2 99354 96378 2976 1.90% 0.07% 97.78% 99.93% 2.15% 0.11% 6.84 3.00% 0.09% 1.02 2.15%
[860, 880) 1295 1294 1 100649 97672 2977 1.31% 0.03% 99.10% 99.97% 0.87% 0.08% 7.17 2.96% 0.11% 1.01 0.88%
[880, 900) 892 891 1 101541 98563 2978 0.90% 0.03% 100.00% 100.00% 0.00% 0.11% 6.79 2.93% 0.00% 1.00 0.00%
合计 101541 98563 2978 101541 98563 2978 100% 100% - - 60% 2.93% 3.50 - - -

上表为各个分数区间的指标统计。如果在KS最大处拒绝,此时的核准率为77.11%,拒绝样本违约率为10.43%,通过样本的违约率为0.71%。相比于不使用评分卡时的违约率2.93%,使用评分卡后违约率大幅降低。

但是需要注意的是,金融机构的最终目标是收益,如果不良率在可控范围内,可以适当提高风险容忍度。比如此时把540分以下的拒绝,此时的核准率为90.54%,那么拒绝样本的违约率为18.24%,通过样本的违约率为1.33%。相对于不使用评分卡,违约率降低了一半以上,而通过客户数却没有显著的损耗。

我们还可以根据提升度进行cut-off切分,比如Lift大于6的客群,全部拒绝,此时拒绝线在540分;Lift介于2-6之间的转人工或者走其他通道复核,那么540-660分之间的客户可以这样处理;对于Lift小于2的客群,可以直接通过,此时区间内的违约率已经降至1%以内,远低于2.93%的平均违约率。

单从风险的角度进行切分是不全面的,必要的时候,还可以结合收益测算,划分最佳切分点。

针对问题二,在一定范围内,KS越大越好,但是一般KS不宜超过70%。否则一方面模型可能有点问题,另一方面,不利于cut-off的确定。

下面,我们绘制出好客户和坏客户的概率密度函数。

逻辑回归评分卡100问——基于申请评分卡

从上图可以看出,此评分不仅具有较高的KS,而且好坏样本十分接近正态分布,从统计的角度而言,该模型表现优异。

图中KS曲线的极值点落在好坏客户的概率密度曲线交叉的地方。在极值点左边,坏客户的概率密度总是高于好客户的,因此KS曲线不断上升。在极值点右边,坏客户的概率密度低于好客户,KS逐渐下降。因此,如果要KS达到较大的值,需要将两个概率密度曲线的交点向下压。这就意味着,好坏客户的分布,偏度会增大,而不是接近于正态分布了。

Q010、IV值可以怎么理解?

Q011、逻辑回归的系数怎么检验?

Q012、评分卡对回归系数有要求吗?

一、回归系数应通过\(Wald\)检验

二、除常数项外,回归系数同号

三、回归系数绝对值不应太小

Q013、什么是逻辑回归的正则化?

Q014、逻辑回归评分卡的稳定性如何评估?

上一篇:基于reslsense d435相机的ORBSLAM2/3非ros下实时建图


下一篇:卡尔曼滤波