思考：A卡评分卡

有3种评分卡：

A卡：申请评分卡，位于贷前，预测客户带来的违约风险，相当于用老客户数据预测新客户的模式（bb说）。

B卡：行为评分卡，位于贷中，预测客户开户后违约欠款的风险，相当于对借贷期间的风险进行监控（bb说的）。

C卡：催收评分卡，位于贷后，对逾期客户预测催收策略反应的概率。

 

申请评分卡一般是预测一个客户是好客户or坏客户，这是一个二分类问题。但实际建模之后，还需要看风险表现，包括逾期天数和逾期金额，业务方会期望低分段客户有更高的逾期天数和更大的逾期金额。从这个角度看，A卡似乎不是一个二分类可以解决的，因为涉及到客户坏的程度和客户好的程度，也就是不仅预测客户“好或坏”，还要给出“好或坏”概率。

既然这样，那可以将好的程度和坏的程度融合进模型训练吗？让模型同时学习到好坏客户之分，以及好的程度和坏的程度。

笔者想到一个可行方案：

定义：逾期天数和逾期金额作为加权权重，坏客户记标签1，好客户记标签-1，逾期天数比例Pt和逾期金额Pm比例作为权重，乘以标签，得到一个概率值：

（1）Pt*Pm*（+1），对于坏客户，这个Pt*Pm概率是一个大于0、趋向于1；

（2）（1-Pt）*（1-Pm）（-1），对于好客户来说，这个概率是一个小于0，趋向于-1的概率。

最后在将概率从（-1,1）缩放到（0,1）。

模型训练时候使用均方误差和作为损失函数

 

笔记：

逾期天数：按月看，在当前月份下，累积的逾期天数。

逾期金额：到当前时间点时，客户尚未还款金额。

好坏标准：在前N期（6或者8）之内，累积逾期天数超过M天（30）的客户为坏客户，否则为好客户。

风险表现：分数的切分点，期望客户数目呈现正态分布（坏客户少数，好客户少数，不坏不好客户占大多数），而且少数的低分段客户累计放款金额占整体放款金额的5-6%上下，逾期天数和逾期金额的下降趋势要快速、而且不同分段要有明显区分度。

 

-- 未完待续 --