评分卡开发流程全解析---python版

一、背景

从去年暑假到今年2月份曾在两家互金公司实习，接触了很多金融信贷场景下的知识，其中最基础的当属评分卡的开发了。接下来将结合我在实习中的工作讲一下评分卡的开发全流程，有兴趣的童鞋可以看一下，有任何不对的地方希望大家批评指正。

二、正文

首先评分卡的开发流程大致包含下面这些步骤：

（一）定义问题

确定两类重要的问题：观察期和表现期、好坏客户的定义。

观察期相当于X变量，即搜集用户的行为；表现期相当于Y变量，即用户的表现，在评分卡中通常就是好坏两类。观察期从观察时点起向前回溯的最远时长，表现期从观察时点起根据账龄分析来决定。

从图中可看出，在9个月以后的坏账率趋于稳定，说明坏客户重复暴露的时间为9个月，那么就定义表现期为9个月。

好坏客户通过滚动率和迁移率来分析。滚动率分析就是从某个观察点之前的一段时间(称为观察期)的最坏的状态向观察点之后的一段时间(称为表现期)的最坏状态的发展变化情况，如下所示：

从上看出，在观察期正常还款的在表现期还正常还款的概率为96%，在观察期逾期3个月的客户在表现期逾期4个月的概率为61%，说明M3的用户有很大概率会更坏变为M4，故定义M3为坏客户，即逾期60-90的人。

（二）数据准备和预处理

贯穿全文的包---scorecardpy

根据定义的观察期和表现期拉取数据，预处理主要是对异常值、缺失值，有些情况还需要特征缩放即归一化和标准化处理，比如时间和金额等等和其他字段的取值相差很大时，可以利用已有的方法也可以自定义，如下所示：

#相当于数据预处理, 设定要删除的规则，主要是指缺失率，iv<0.02等等
dt_s = sc.var_filter(data, y="flagy")
print("变量预处理前后变化：",data.shape[1],"->",dt_s.shape[1])

（三）特征工程

可以从数据来源、业务类型、时间范围和统计单位4个维度来衍生，将4个维度作笛卡尔积交叉组合特征。

除此之外维度指标有频次（近3个月的f贷款申请次数）、总和、平均、占比、一致性（身份证和手机号所在的省份是否一致）、距离、波动、占比趋势和对比趋势等。还有一些可以结合具体的业务来，如在信用卡业务中对于还款有近1、3、6、12、24个月的还款次数、最大单笔还款距今时长、最后一次还款距今时长等等。

（四）变量筛选

在评分卡中由于需要业务具有很强的解释性，通常入模的变量为8~16个，需要筛选变量。变量筛选的方式有以下几种：

1. 如果不使用预测模型，有监督的可以使用信息值、卡方统计量和gini系数；无监督的可以使用相关性、聚类和PCA等
2. 若使用预测模型，可以使用逐步回归、正则化(AIB,BIC,lasso)、交叉验证和机器学习如xgb等自带筛选特征，在经过预处理后保留下来的变量有707个，故必须要筛选变量，采用了两种方法lasso和xgb，xgb的方法如下：

# 进行Xgboost之前需要处理数据,要预先处理数据 都要转化成float类型,而且要没有缺失值
import re
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import KFold
from sklearn.model_selection import train_test_split

def float_1(x):
    try:
        return float(x)
    except:
        return np.nan

y = dt_s['flagy']

col = set(dt_s.columns)
X = dt_s.ix[:, [x for x in col if not re.search('flagy', x)]]
X = X.applymap(float_1)
X = X.astype(np.float)
X = X.fillna(0)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=10)

选择合适的参数

import xgboost as xgb
dtrain = xgb.DMatrix(X_train, y_train)

params={
    	'booster':'gbtree',
    	'objective': 'binary:logistic',
        'eval_metric': 'auc',
    	'max_depth': 3,
    	'lambda': 5,
        'subsample': 0.8,
        'colsample_bytree': 0.8,
        'min_child_weight': 20, 
        'eta': 0.025,
    	'nthread': 8
        }
# 交叉验证选出test-auc-mean最高时对应的迭代次数
cv_log = xgb.cv(params,dtrain,num_boost_round=500,
                nfold=5,
                metrics='auc',
                early_stopping_rounds=10)

bst_auc = cv_log['test-auc-mean'].max()

cv_log['nb'] = cv_log.index
cv_log.index = cv_log['test-auc-mean']
nround = cv_log.nb.to_dict()[bst_auc]

lasso方法如下：

# 交叉验证拟合Lasso模型
from sklearn.linear_model import LassoCV
lassocv = LassoCV()
lassocv.fit(X,y)

 

# 交叉验证选择的参数alpha
print(lassocv.alpha_)
# 最终Lasso模型中的变量系数
print(lassocv.coef_[:10])
# Lasso细筛出的变量个数
print(np.sum(lassocv.coef_ > 0))

然后可以将两者的特征交集作为初步的变量。

#将两种方法取交集，得到的变量入模
features_chosen = ['pc_rcnt_income', 'location_cell_stab', 'location_cell_use_days',
                   'als_m6_id_nbank_cons_allnum', 'ir_id_x_cell_notmat_days',
                   'pc_business_type', 'als_m12_id_caoff_orgnum', 'pc_noincome_lst_mons',
                   'stab_mail_num', 'pc_long_income', 'als_m12_id_cooff_orgnum',
                   'pc_mobile_cons', 'pc_regincome_sta', 'als_fst_cell_nbank_inteday',
                   'location_online_fre', 'als_m6_cell_nbank_p2p_allnum', 
                   'als_m6_cell_bank_min_inteday', 'als_m12_id_nbank_max_inteday',
                   'location_id_attr', 'als_m12_cell_nbank_nsloan_allnum',
                   'cons_max_m12_pay', 'cons_tot_m3_visits', 'cons_tot_m3_pay', 'als_m12_id_nbank_allnum'
]

（五）相关性分析

可以利用皮尔森相关系数>0.7，和方差扩大因子vif>3来筛选变量。

#将vif>3的去掉，statsmodels不允许有缺失值
col = np.array(data[features_chosen])
from statsmodels.stats.outliers_influence import variance_inflation_factor as vif
data[features_chosen] = data[features_chosen].fillna(0)
for i in range(len(features_chosen)):
    print('{} VIF是{}'.format(features_chosen[i],vif(col,i)))

（六）WOE/IV

在计算WOE和IV值之前先要划分训练集、测试集和跨时间验证样本，比例为5：2：3，接下来是分箱，分箱应该在训练集上而不是整个数据上，因为如果在整个数据集上先分箱，然后再用其中的一部分作为测试集，将会导致过拟合。

dt_var = data[features_chosen]
dt_var['flagy'] = data['flagy']
train, test = sc.split_df(dt_var,'flagy').values()
print("训练集、测试集划分比例为",train.shape[0],":",test.shape[0])

然后接下来分箱

#bins是对训练集作的分箱
bins_train = sc.woebin(train, y="flagy",save_breaks_list=True)
#测试集以在训练集上分箱的情况作为标准
bins_test = sc.woebin(test, y="flagy",breaks_list=breaks_list)
train_woe = sc.woebin_ply(train, bins_train)
test_woe = sc.woebin_ply(test, bins_test)
y_train = train_woe.loc[:,'flagy']
X_train = train_woe.loc[:,train_woe.columns != 'flagy']
y_test = test_woe.loc[:,'flagy']
X_test = test_woe.loc[:,train_woe.columns != 'flagy']
X_train.to_csv('X_train_final.csv',index=False,sep=',',header=None)
y_train.to_csv('y_train_final.csv',index=False,sep=',',header=None)

计算的IV值

分箱的结果，对于非单调的可以手动分箱：

（七）模型构建

用到LR和LightGBM，部分代码如下：

LR代码：

from sklearn.model_selection import GridSearchCV
from sklearn.linear_model import LogisticRegression

#需要调优的参数
penaltys = ['l1','l2']
Cs = [0.001, 0.01, 0.1, 1, 10, 100, 1000]
tuned_parameters = dict(penalty = penaltys, C = Cs)
lr_penalty= LogisticRegression()
# GridSearchCV(estimator, param_grid, ... cv=None, ...)
# estimator: 模型， param_grid：字典类型的参数， cv：k折交叉验证
grid= GridSearchCV(lr_penalty, tuned_parameters, cv=5)
grid.fit(X_train,y_train) # 网格搜索训练

grid.cv_results_ #训练的结果
# examine the best model
print(grid.best_score_)  # 最好的分数
print(grid.best_params_) # 最好的参数

from sklearn.linear_model import LogisticRegression
lr = LogisticRegression(penalty='l1',C=0.1,solver='saga',n_jobs=-1)
lr.fit(X_train,y_train)

对于变量还要计算其显著性，如P值、Z值，然后将P>|Z|的变量去掉

from scipy import stats
                    
def stat_model(x, y, y_pred, const, coef):
    '''
    '''
    x = x.copy()
    x.reset_index(drop=True,inplace=True)
   
    y = y.copy()
    y.reset_index(drop=True,inplace=True)
   
    newX = pd.DataFrame({"Constant": np.ones(len(x))}).join(pd.DataFrame(x))
    MSE = (sum((y - y_pred)**2))/(len(newX)-len(newX.columns))#分母应该是N

    params = np.append(const,coef)
    var_b = MSE*(np.linalg.inv(np.dot(newX.T,newX)).diagonal())
    st_error = np.sqrt(var_b)
    t_v = params/st_error
    p_values = [2*(1-stats.t.cdf(np.abs(i),len(newX)-1)) for i in t_v]

    result = pd.DataFrame({'Coefficients':params,
                           'Standard Errors':st_error,
                           't values':t_v,
                           'P_values':p_values}) \
                        .apply(lambda x: round(x,3)) \
                        .assign(Variable = newX.columns.tolist())
    
    return result

#intercept_是截距，coef_是训练后的输入端模型系数，如果label有两个，即y值有两列。
summary = stat_model(X_train,y_train,train_pred,lr.intercept_,lr.coef_)
summary[['Variable','Coefficients','P_values']]
#得到的constant是截距项，不用管

LightGBM代码（找不到了...）：

 

（八）模型评估

模型评估使用ks、auc和psi来评价

train_perf = sc.perf_eva(y_train, train_pred, title = "train")
test_perf = sc.perf_eva(y_test, test_pred, title = "test")

最终模型的分值分布如下:

（九）模型部署

在风控后台上配置模型规则，对于复杂的模型还需要将模型文件作转换，封装成类,由其他代码来调用

（十）模型监控

前期主要监控模型的稳定性psi，变量的psi，也要比较模型每日的拒绝率和线下拒绝率

后期等到用户有一定表现后可以用auc、ks和iv等来对比线上和线下的区别。

三、结语

在互金实习了两段，最终还是选择了互联网，这也是对自己实习部分工作的回顾和总结。评分卡建模流程基本如上，欢迎大家指正交流。