不同算法的信贷建模流程

一、逻辑回归评分卡

1.数据分析、数据展示

数据分析、图形化数据展示

2.数据预处理，包括

（1）数据清洗
（2）格式转换
（3）缺失值填补

3.变量衍生/特征工程

4.分箱（变量离散化）

采用ChiMerge,要求分箱完之后：

（1）不超过5箱
（2）每箱同时包含好坏样本
（3）特殊值如－1，单独成一箱

连续型变量可直接分箱
类别型变量：
（a）当取值较多时，先用bad rate编码，再用连续型分箱的方式进行分箱
（b）当取值较少时：
（b1）如果每种类别同时包含好坏样本，无需分箱
（b2）如果有类别只包含好坏样本的一种，需要合并

此处遇到的数据结构：类别型变量：类别种数>5类

                                                    类别种数<5类

                                    其中又分为：单类别中包含好坏样本

                                                   单类别中只包含好样本或者坏样本

                                    连续型变量。

步骤：

(1)处理类别数小于5的类别型变量，对某一类别中不包含好样本或者坏样本时进行合并，对于包含的不需要合并。

(2)处理类别数大于5的类别型变量，用bad rate进行编码，放入连续型变量里。

(3)对连续型变量进行分箱(一般是chi2分箱)，包括（2）中的变量。

5.WOE编码、计算IV

上步处理完之后都是类别变量（[0,1],[1,9]....）了，是无法进行数学操作的，所以要先转化为数值。

转化为数值的方法有很多种，包括badrate编码、woe编码....

从badrate和woe的计算公式上可以看出，它们是相差一个常数项、常数倍，bad(i)/(bad(i)+good(i))、ln(bad(i)/good(i)*good/bad)

那为什么最后不用badrate，而用woe呢？

两点：

（1）方便计算iv值对变量筛选，这个是小的原因。

（2）主要是因为woe和p/(1-p)有表达上的一致性，进而和log(p/(1-p))有一致性。

这篇文章讲的就是这一点： https://zhuanlan.zhihu.com/p/30026040

 

 

 

 

6.单变量分析和多变量分析，均基于WOE编码后的值。

（1）选择IV高于0.01的变量
（2）比较两两线性相关性。如果相关系数的绝对值高于阈值，剔除IV较低的一个。热力图。

（3）多变量相关性，VIF

7.逻辑回归模型。

要求：
(1)变量显著(p值)

要求最终进入模型的变量都显著，即p值都小于0.1或0.05或0.01

 

https://www.cnblogs.com/kimsimple/p/7819102.html

(2)符号为负

8.尝试加一下正则（之前和盾交流，在做评分卡时基本上不用正则），

  或者用树模型进行变量的选择，

  或者用树模型建模结果作为一个变量，放到LR中作为一个自变量。

9.转化为评分

10.模型验证

训练样本上的ks、roc

测试样本上的ks、roc

训练集和测试集的得分分布

通过率、召回率、坏账率

11.模型监控

模型ks监控

变量、模型psi监控

逾期监控

突破阈值后对风控修改 

模型上线后，如何做好监控？

 

二.GBDT算法

1.数据预处理，包括

（1）数据清洗
（2）格式转换
（3）缺失值填补

2.变量衍生/特征工程

对于类别型变量，需要onehot（独热）编码，再训练GBDT模型

3.将独热编码和数值型变量放在一起进行模型训练、调参