2025年金融行业风控部分析师信用评分模型手册.docxVIP

2025年金融行业风控部分析师信用评分模型手册

第1章模型架构与数据治理

1.1模型技术路线与核心算法选型

模型架构采用“分层特征融合”设计，底层为规则引擎处理硬约束（如黑名单、额度上限），中层为机器学习模型（如XGBoost或LightGBM）挖掘非线性关系，顶层为统计评分卡整合全局风险画像，确保模型既具备可解释性又具备高预测精度。核心算法选型上，针对信用违约概率（PD）部分，选用集成学习算法XGBoost，因其能自动处理缺失值、特征工程简单且对过拟合有较强鲁棒性；针对违约时间（DT）部分，采用基于时间序列的Prophet模型，以捕捉利率波动和宏观经济周期对还款行为的影响。

算法参数调优遵循“网格搜索+贝叶斯优化”双路径，在训练集上通过10折交叉验证确定超参数，并在验证集上运行500次贝叶斯优化以寻找最优解集，确保模型在最小化误报率的同时最大化召回率。模型对数风险（LogRisk）计算采用累积平均法，将历史违约事件按时间窗口聚合，平滑短期噪音并反映长期趋势，同时引入置信度阈值，对低置信度样本自动标记为人工复核样本。算法输出结果需经过“模型分+人工分”加权机制，人工评分由信贷经理依据客户经营能力、行业前景及还款意愿进行打分，最终得分=0.7×模型分+0.3×人工分+0.0×外部数据分，确保评分结果既科学又符合业