python信用评分卡建模（附代码，博主录制）
原文链接 https://blog.csdn.net/LuYi_WeiLin/article/details/87907948
（八）行为评分卡模型（B卡）的介绍
在信贷业务中，评分卡分为三种：
申请评分卡(A卡)
行为评分卡(B卡)
催收评分卡(C卡)
本篇我们来学习一下行为评分卡(B卡)，首先什么是行为评分卡呢，行为评分卡的使用场景以及目的，适用的信贷产品？
其中特别注意一下，不适合先息后本的信贷产品，因为每个月的违约概率不一样，不好预测
观察期和表现期
学习行为评分卡之前，要了解一些概念，什么是观察期和表现期，什么是观察点
观察期观察的是行为，表现期预测表现好坏
P（表现期好坏/观察期行为）
这里要注意一下，假如我们定义表现坏客户为M3+，观察期时间窗口为12个月，则起码要收集12+3个月的数据
当然观察点也不宜太长，因为不到MOB的客户，不能进入行为评分卡中，会丢失大量重要数据
当此刻的时间满足了MOB但是不满足观察期，也可以构建B卡，但是有一些变量表现效果不怎么好（因为和每个变量的收集间隔有关，间隔长的变量收集得太少，表现自然不佳）
讲完了观察期和表现期，我们就来讲一下信用评分卡常用的特征构造，特征构造之前我们来学习一个定义：时间切片
特征构造
一般有以下几类特征
还款率类型的特征
额度使用率类型的特征
逾期类型的特征
这里注意一下，不能用轻度逾期去预测轻度逾期，不能用重度逾期去预测重度逾期，这里的目标变量是DPD（day past due）90，变量可以是DPD60、DPD30等
消费类型的特征（每一笔消费有具体详细可以做）
三方机构（社交数据、出行数据）
下面就来讲解一下行为评分卡建立模型的步骤（和申请评分卡差不多）
数据预处理
特征衍生
特征处理与筛选
特征挑选
变量分箱
模型的参数估计（逻辑回归模型）
添加完所有变量后，逻辑回归结果如下图所示，还是存在P值不显著情况，单独拿去这些变量一个一个与目标变量进行逻辑回归检验其显著性
也就是挑选4个GBDT模型最重要的变量进行逻辑回归后，发现其逻辑回归系数为负，之后我们按照GBDT模型变量重要性降序顺序一个一个往里面加，每加一个，进行一次逻辑回归，发现存在逻辑回归系数为正的，就可以把该变量剔除
逻辑回归要求系数为负而且P值要显著，我们使用外生模型GBDT估计模型重要性
所以，我们使用LASSO再次进行变量挑选
模型的性能测试
概率转换为分数
https://study.163.com/course/courseMain.htm?courseId=1005988013&share=2&shareId=400000000398149(博主录制，2K超清分辨率)
