Scorecard 评分卡模型

woe=ln(odds)，beita为回归系数，altha为截距，n为变量个数，offset为偏移量（视风险偏好而定），比例因子factor。

总评分。或去掉负号。

Logistic Regression with Weight of Evidence

比例因子和偏移量为：

令好坏比为50，对应的评分为600；在些基础上评分值增加20分，e.g.

其中，，odds为好坏比，即WOE=ln(odds)

e.g.

ID是自变量，有A1/A2/A3三个取值；因变量有1和0两种取值，相对应的是样本数量（如 Y=1|ID=A1 的样本数是10）。当自变量取值Ai时，编码为相应的WOEi。

Odds = 1, WoE = 0; Odds > 1, Pgood > Pbad, WoE > 0.

WoE值越高，说明这个分组的风险机率越低。（前提：good attribute 作分子。WoE可少于零）

相当于自变量WOE值的一个加权求和，其值的大小决定了自变量对于目标变量的影响程度（与信息熵的公式稍似）。

一般应大于0.02，默认选IV大于0.1的变量进模型，但具体要结合实际。如果IV大于0.5，就是过预测（over-predicting）变量。

判别：（1）ROC曲线越靠近左上角,试验的准确性就越高；（2）或算出线下面积（AUC, Area Under Curve）比较，AUC最大，则最佳。

AUC在 0.5～0.7时有较低准确性， 0.7～0.8时有一定准确性, 0.8~0.9则高，AUC在0.9以上时有非常高准确性。AUC=0.5时，说明诊断方法完全不起作用，无诊断价值。AUC<0.5不符合真实情况，在实际中极少出现。

将总体划分为几个子总体，然后对不同的子总体分别建立评分卡。视需要而是否使用。

等距、等频、按需、优化离散(常用的检验指标有卡方，信息增益，基尼指数，或WOE)

若申请人的信用得分在该分数上，则评分系统建议批准申请；反之。

选择方法：（1）申请批准比率与模型使用前的比率一致；（2）坏帐率与模型使用前的比率一致；

LSOs低端人工修正：反之。

一般来说，信用评分的训练样本均来自于以前申请贷款被接受的那些人，而评分模型则是要应用到所有申请的人，因此如直接应用模型到被拒绝者，很有可能会出现问题。

Reject Inference对模型修正来解决这个问题。

留下一部分样本做最后的验证。

PSI衡量两组样本评分是否有显著差异。

公式：

判断：index <= 0.1，无差异；0.1< index <= 0.25，需进一步判断；0.25 <= index，有显著位移，模型需调整。

贷款额与抵押价值的比率，用于额度管理，如：

个人信用评分>=80，且LTV<=85，接受贷款；否则反之。