前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >基于客户数据的银行信用卡风险控制模型研究-金融风控模型标准评分卡

基于客户数据的银行信用卡风险控制模型研究-金融风控模型标准评分卡

作者头像
YGingko
发布2021-08-13 11:13:59
1K1
发布2021-08-13 11:13:59
举报
文章被收录于专栏:海说海说

一、知识准备

1.1 熟悉Python的数据分析库numpy、pandas和scikit算法库

1. 2 熟悉逻辑回归和随机森林算法

二、项目主题

在银行借贷场景中,评分卡是一种以分数形式来衡量一个客户的信用风险大小的手段,它衡量向别人借钱的人(受信人,需要融资的公司)不能如期履行合同中的还本付息责任,并让借钱给别人的人(授信人,银行等金融机构), 造成经济损失的可能性。一般来说,评分卡打出的分数越高,客户的信用越好,风险越小。

这些”借钱的人“,可能是个人,有可能是有需求的公司和企业。对于企业来说,我们按照融资主体的融资用途,分 别使用企业融资模型,现金流融资模型,项目融资模型等模型。而对于个人来说,我们有”四张卡“来评判个人的信用程度:A卡,B卡,C卡和F卡。而众人常说的“评分卡”其实是指A卡,又称为申请者评级模型,主要应用于相关融资类业务中新用户的主体评级,即判断金融机构是否应该借钱给一个新用户,如果这个人的风险太高,我们可以拒 绝贷款。

三、项目目标

  • 能够使用RF算法对缺失值进行补充
  • 能够掌握样本不平衡问题
  • 熟练掌握评分卡的分箱操作

四、知识要点

4.1 原始数据

4.1.1 导库/获取数据

代码语言:javascript
复制
%matplotlib inline 
import numpy as np 
import pandas as pd 

data = pd.read_csv("Acard.csv",index_col=0)
#观察数据类型 
data.head() 

#观察数据结构 
data.shape

data.info() # 每列的缺失值情况

4.1.2 去重复值

代码语言:javascript
复制
data.drop_duplicates(inplace=True) 

data.index = range(data.shape[0]) 
  
data.info()

4.1.3 填补缺失值

代码语言:javascript
复制
data.isnull().sum()/data.shape[0]  # data.isnull().mean() 

data["NumberOfDependents"].fillna(int(data["NumberOfDependents"].mean()),inplace=True) 
  
data.isnull().mean() 

def fill_missing_rf(X, y, to_fill):
    """
    X:要填补的特征矩阵
    y:完整的,没有缺失值的标签
    to_fill:字符串,要填补的那一列的名称/MonthlyIncome
    """
    # 构建新特征矩阵和新标签
    df = X.copy() 
    fill = df.loc[:, to_fill]
    df = pd.concat([df.loc[:, df.columns != to_fill], pd.DataFrame(y)], axis=1)

    #找出训练集和测试集
    Ytrain = fill[fill.notnull()]
    Ytest = fill[fill.isnull()]
    Xtrain = df.iloc[Ytrain.index, :]
    Xtest = df.iloc[Ytest.index, :]

    from sklearn.ensemble import RandomForestRegressor as rfr
    
    #用随机森林回归来填补缺失值
    rfr = rfr(n_estimators=100)
    rfr = rfr.fit(Xtrain, Ytrain)
    Ypredict = rfr.predict(Xtest)
    
    return Ypredict

X = data.iloc[:,1:] 
y = data["SeriousDlqin2yrs"] 

y_pred = fill_missing_rf(X,y,"MonthlyIncome") 
  
#确认我们的结果合理之后,我们就可以将数据覆盖了 
data.loc[data.loc[:,"MonthlyIncome"].isnull(),"MonthlyIncome"] = y_pred

y_pred.shape

4.2 描述性统计

4.2.1 处理异常值

代码语言:javascript
复制
import seaborn as sns
from matplotlib import pyplot as plt

x1=data['age']
fig,axes = plt.subplots()
axes.boxplot(x1)
axes.set_xticklabels(['age'])

data = data[data['age']>0]
data = data[data['age']<100]
代码语言:javascript
复制
data.describe([0.01,0.1,0.25,.5,.75,.9,.99])
(data["age"] == 0).sum() 

data = data[data["age"] != 0] 

data[data.loc[:,"NumberOfTimes90DaysLate"] > 90].count() 
  
data = data[data.loc[:,"NumberOfTimes90DaysLate"] < 90] 

data.index = range(data.shape[0]) 
data.info() 

4.2.2 处理样本不均衡问题

代码语言:javascript
复制
#探索标签的分布 
X = data.iloc[:,1:] 
y = data.iloc[:,0] 
y.value_counts() 
  
n_sample = X.shape[0] 
  
n_1_sample = y.value_counts()[1] 
n_0_sample = y.value_counts()[0] 

grouped = data['SeriousDlqin2yrs'].groupby(data['SeriousDlqin2yrs']).count()
grouped.plot(kind='bar')


print('样本个数:{}; 1占{:.2%}; 0占 {:.2%}'.format(n_sample,n_1_sample/n_sample,n_0_sample/n_sample)) 
代码语言:javascript
复制
样本个数:149152; 1占6.62%; 0占 93.38%
代码语言:javascript
复制
from imblearn.over_sampling import SMOTE  #conda install -c glemaitre imbalanced-learn
import imblearn 
  
from imblearn.over_sampling import SMOTE 
  
sm = SMOTE(random_state=42) #实例化 
X,y = sm.fit_sample(X,y) 

n_sample_ = X.shape[0] 
  
pd.Series(y).value_counts() 
  
n_1_sample = pd.Series(y).value_counts()[1] 
n_0_sample = pd.Series(y).value_counts()[0] 
  
print('样本个数:{}; 1占{:.2%}; 0占{:.2%}'.format(n_sample_,n_1_sample/n_sample_,n_0_sample/n_sample_))
代码语言:javascript
复制
样本个数:278560; 1占50.00%; 0占50.00%

4.2.3 训练集和测试集

代码语言:javascript
复制
from sklearn.model_selection import train_test_split 

X = pd.DataFrame(X) 
y = pd.DataFrame(y) 
  
X_train, X_vali, Y_train, Y_vali = train_test_split(X,y,test_size=0.3,random_state=420)
model_data = pd.concat([Y_train, X_train], axis=1) 
model_data.index = range(model_data.shape[0]) 
model_data.columns = data.columns 
  
vali_data = pd.concat([Y_vali, X_vali], axis=1) 
vali_data.index = range(vali_data.shape[0]) 
vali_data.columns = data.columns 
  
model_data.to_csv("model_data.csv") 
  
vali_data.to_csv("vali_data.csv") 

4.3 分箱处理

4.3.1 等频分箱

代码语言:javascript
复制
#retbins 默认为False,为True是返回值是元组
#q:分组个数
  
model_data["qcut"], updown = pd.qcut(model_data["age"], retbins=True, q=20) 

coount_y0 = model_data[model_data["SeriousDlqin2yrs"] == 0].groupby(by="qcut").count() ["SeriousDlqin2yrs"] 
coount_y1 = model_data[model_data["SeriousDlqin2yrs"] == 1].groupby(by="qcut").count() ["SeriousDlqin2yrs"] 
  
#num_bins值分别为每个区间的上界,下界,0出现的次数,1出现的次数 
num_bins = [*zip(updown,updown[1:],coount_y0,coount_y1)] 
  
#注意zip会按照最短列来进行结合 
num_bins

4.3.2 封装WOE和IV函数

  • 为了衡量特征上的信息量以及特征对预测函数的贡献,银行业定义了概念Information value(IV)
  • IV = (good% - bad%) * WOE
  • 银行业中用来衡量违约概率的指标,中文叫做证据权重(weight of Evidence),本质其实就是优质客户 比上坏客户的比例的对数。WOE是对一个箱子来说的,WOE越大,代表了这个箱子里的优质客户越多。
  • WOE = ln(good% / bad%)
代码语言:javascript
复制
def get_woe(num_bins):
    columns = ["min","max","count_0","count_1"]  
    df = pd.DataFrame(num_bins,columns=columns)
    df["total"] = df.count_0 + df.count_1 
    df["percentage"] = df.total / df.total.sum() 
    df["bad_rate"] = df.count_1 / df.total 
    df["good%"] = df.count_0/df.count_0.sum() 
    df["bad%"] = df.count_1/df.count_1.sum() 
    df["woe"] = np.log(df["good%"] / df["bad%"])
    return df


# 计算IV值 
def get_iv(df):
    rate = df["good%"] - df["bad%"]
    iv = np.sum(rate * df.woe)
    return iv 

4.3.3 用卡方检验来合并箱体画出IV曲线

代码语言:javascript
复制
num_bins_ = num_bins.copy()

import matplotlib.pyplot as plt
import scipy

IV = []
axisx = []

while len(num_bins_) > 2:
    pvs = []
    
    for i in range(len(num_bins_) - 1):
        x1 = num_bins_[i][2:]
        x2 = num_bins_[i + 1][2:]
        
        pv = scipy.stats.chi2_contingency([x1, x2])[1]
        pvs.append(pv)

    
    i = pvs.index(max(pvs))
    num_bins_[i:i + 2] = [(num_bins_[i][0],num_bins_[i+1][1],num_bins_[i][2]+num_bins_[i+1][2],num_bins_[i][3]+num_bins_[i+1][3])]

    bins_df = get_woe(num_bins_)
    axisx.append(len(num_bins_))
    IV.append(get_iv(bins_df))

plt.figure()
plt.plot(axisx, IV)
plt.xticks(axisx)
plt.xlabel("number of box") 
plt.ylabel("IV") 
plt.show() 
代码语言:javascript
复制
def get_bin(num_bins_,n):
    while len(num_bins_) > n:
        pvs = []
        # 获取 num_bins_两两之间的卡方检验的置信度(或卡方值)
        for i in range(len(num_bins_) - 1):
            x1 = num_bins_[i][2:]
            x2 = num_bins_[i + 1][2:]
            # 0 返回 chi2 值,1 返回 p 值。 
            pv = scipy.stats.chi2_contingency([x1, x2])[1]
            # chi2 = scipy.stats.chi2_contingency([x1,x2])[0]       
            pvs.append(pv)

        # 通过 p 值进行处理。合并 p 值最大的两组
        i = pvs.index(max(pvs))
        num_bins_[i:i + 2] = [(num_bins_[i][0],num_bins_[i+1][1],num_bins_[i][2]+num_bins_[i+1][2],num_bins_[i][3]+num_bins_[i+1][3])]
        
    return num_bins_

4.3.4 用最佳分箱个数分箱,并验证分箱结果

代码语言:javascript
复制
def graphforbestbin(DF, X, Y, n=5,q=20,graph=True):
    DF = DF[[X,Y]].copy()
    DF["qcut"],bins = pd.qcut(DF[X],retbins=True,q=q,duplicates="drop")
    coount_y0 = DF.loc[DF[Y]==0].groupby(by="qcut").count()[Y]
    coount_y1 = DF.loc[DF[Y]==1].groupby(by="qcut").count()[Y]
    num_bins = [*zip(bins,bins[1:],coount_y0,coount_y1)]
    # 确保每个箱中都有0和1
    for i in range(q):
        if 0 in num_bins[0][2:]:
            num_bins[0:2] = [(num_bins[0][0],num_bins[1][1],num_bins[0][2]+num_bins[1][2],num_bins[0][3]+num_bins[1][3])]
            continue
        for i in range(len(num_bins)):
            if 0 in num_bins[i][2:]:
                num_bins[i-1:i+1] = [(num_bins[i-1][0],num_bins[i][1],num_bins[i-1][2]+num_bins[i][2],num_bins[i-1][3]+num_bins[i][3])]
                break
        else:
            break
    #计算WOE
    def get_woe(num_bins):
        columns = ["min","max","count_0","count_1"]
        df = pd.DataFrame(num_bins,columns=columns)
        df["total"] = df.count_0 + df.count_1
        df["good%"] = df.count_0/df.count_0.sum()
        df["bad%"] = df.count_1/df.count_1.sum()
        df["woe"] = np.log(df["good%"] / df["bad%"])
        return df
    #计算IV值
    def get_iv(df):
        rate = df["good%"] - df["bad%"]
        iv = np.sum(rate * df.woe)
        return iv
    # 卡方检验,合并分箱
    IV = []
    axisx = []
    while len(num_bins) > n:
        global bins_df
        pvs = []
        for i in range(len(num_bins)-1):
            x1 = num_bins[i][2:]
            x2 = num_bins[i+1][2:]
            pv = scipy.stats.chi2_contingency([x1,x2])[1]
            pvs.append(pv)
        i = pvs.index(max(pvs))
        num_bins[i:i+2] = [(num_bins[i][0],num_bins[i+1][1],num_bins[i][2]+num_bins[i+1][2],num_bins[i][3]+num_bins[i+1][3])]
        bins_df = pd.DataFrame(get_woe(num_bins))
        axisx.append(len(num_bins))
        IV.append(get_iv(bins_df))
        
    if graph:
        plt.figure()
        plt.plot(axisx,IV)
        plt.xticks(axisx)
        plt.xlabel("number of box")
        plt.ylabel("IV")
        plt.show()
        
    return bins_df
代码语言:javascript
复制
for i in model_data.columns[1:-1]:
    print(i)

    graphforbestbin(model_data,i ,"SeriousDlqin2yrs",n=2,q = 20)

.

.

.

代码语言:javascript
复制
# 根据图像观察手动把特征进行最佳分箱操作
# 特征名称:分箱的个数/箱子的转折点
auto_bins = {'RevolvingUtilizationOfUnsecuredLines':5
            ,'age':6
            ,'DebtRatio':4
            ,'MonthlyIncome':3
            ,'NumberOfOpenCreditLinesAndLoans':7
            }


# 手动处理对于不能分箱的特征
hand_bins = {'NumberOfTime30-59DaysPastDueNotWorse':[0,1,2,13]
            ,'NumberOfTimes90DaysLate':[0,1,2,17]
            ,'NumberRealEstateLoansOrLines':[0,1,2,4,54]
            ,'NumberOfTime60-89DaysPastDueNotWorse':[0,1,2,8]
            ,'NumberOfDependents':[0,1,2,3]
            }
#用np.-inf , np.inf
hand_bins = {k:[-np.inf,*v[:-1],np.inf] for k,v in hand_bins.items()}

bins_of_col = {}
for col in auto_bins:
    bins_df = graphforbestbin(model_data,col,'SeriousDlqin2yrs',n = auto_bins[col],q=20,graph=False)
    bins_list = sorted(set(bins_df['min']).union(bins_df['max']))
    bins_list[0],bins_list[-1] = -np.inf,np.inf
    bins_of_col[col] = bins_list

bins_of_col.update(hand_bins)
bins_of_col 

4.4 计算各箱的WOE并映射到数据

代码语言:javascript
复制
data = model_data.copy() 
data = data[["age","SeriousDlqin2yrs"]].copy() 
  
data["cut"] = pd.cut(data["age"],[-np.inf, 36.0, 52.0, 56.0, 61.0, 74.0, np.inf]) 
# 不同的年龄段/箱子对于的年龄和标签 


data.groupby("cut")["SeriousDlqin2yrs"].value_counts() 
  
#使用unstack()来将分支状结构变成表状结构 
data.groupby("cut")["SeriousDlqin2yrs"].value_counts().unstack() 
  
bins_df = data.groupby("cut")["SeriousDlqin2yrs"].value_counts().unstack() 
  
bins_df["woe"] = np.log((bins_df[0]/bins_df[0].sum())/(bins_df[1]/bins_df[1].sum())) 

对所有的特征进行计算箱子的WOE

代码语言:javascript
复制
# df:数据表
# col:列
# bins:箱子的个数
def get_woe(df,col,y,bins):
    
    df = df[[col,y]].copy()
    df["cut"] = pd.cut(df[col],bins) 
    bins_df = df.groupby("cut")[y].value_counts().unstack()
    woe = bins_df["woe"] = np.log((bins_df[0]/bins_df[0].sum())/(bins_df[1]/bins_df[1].sum()))
    iv = np.sum((bins_df[0]/bins_df[0].sum()-bins_df[1]/bins_df[1].sum())*bins_df['woe'])
    return woe


# 所有的WOE
woeall = {}

for col in bins_of_col:
    woeall[col] = get_woe(model_data,col,"SeriousDlqin2yrs",bins_of_col[col])
woeall   

model_woe = pd.DataFrame(index=model_data.index)

for col in bins_of_col:
    model_woe[col] = pd.cut(model_data[col],bins_of_col[col]).map(woeall[col])

model_woe["SeriousDlqin2yrs"] = model_data["SeriousDlqin2yrs"]

model_woe  #这就是建模数据

4.5 建模与模型验证

代码语言:javascript
复制
woeall_vali = {}
for col in bins_of_col:
    woeall_vali[col] = get_woe(vali_data,col,"SeriousDlqin2yrs",bins_of_col[col])
    
# 测试数据    
vali_woe = pd.DataFrame(index=vali_data.index)
for col in bins_of_col:
    vali_woe[col] = pd.cut(vali_data[col],bins_of_col[col]).map(woeall_vali[col])

vali_woe["SeriousDlqin2yrs"] = vali_data["SeriousDlqin2yrs"]


vali_x = vali_woe.iloc[:,:-1]
vali_y = vali_woe.iloc[:,-1]


from sklearn.linear_model import LogisticRegression as LR
# 训练集
x = model_woe.iloc[:,:-1]
y = model_woe.iloc[:,-1]
lr = LR().fit(x,y)
lr.score(vali_x,vali_y)
  • C是正则化强度的倒数,C越小,损失函数就越小,模型对损失函数的惩罚越重
  • solver:默认是liblinear,针对小数据量是个不错的选择,用于求解使模型最优化参数的算法,即最优化问题的算法
  • max_iter:所有分类的实际迭代次数,对于liblinear求解器,会给出最大的迭代次数
代码语言:javascript
复制
c_1 = np.linspace(0.01,1,20) 
c_2 = np.linspace(0.01,0.2,20)

score = []
for i in  c_1:
    lr = LR(solver="liblinear",C = i).fit(x,y)
    score.append(lr.score(vali_x,vali_y))


plt.figure()
plt.plot(c_1,score)
plt.show()
代码语言:javascript
复制
import warnings
warnings.filterwarnings('ignore')
score = []
for i in [1,2,3,4,5,6]:
    lr = LR(solver="liblinear" ,C = 0.025 , max_iter=i).fit(x,y)
    score.append(lr.score(vali_x , vali_y))
    
plt.figure()
plt.plot([1,2,3,4,5,6],score)
plt.show()
代码语言:javascript
复制
import scikitplot as skplt  #pip install scikit-plot 
  
vali_proba_df = pd.DataFrame(lr.predict_proba(vali_x))

skplt.metrics.plot_roc(vali_y, vali_proba_df, plot_micro=False,figsize=(6,6),plot_macro=False) 

4.6 制作评分卡

  • 评分卡中的分数,由以下公式计算:Score = A - B *log(odds)
  • A与B是常数,A叫做“补偿”,B叫做“刻度
  • log(odds)代表了一个人违约的可能性,逻辑回归的结果取对数几率形式会得到θX,即参数*特征矩阵,所以log(odds)其实就是参数。两个常数可以通过两个假设的分值带入公式求出,这两个假设分别是:
    • 某个特定的违约概率下的预期分值
    • 指定的违约概率翻倍的分数(PDO)
  • 例如,假设对数几率为1/60时,设定的特定分数为600,PDO=20,那么对数几率为1/30时的分数就是620。带入以上线性表达式,可以得到:
    • 600 = A - B*log(1/60)
    • 620 = A - B*log(1/30)
代码语言:javascript
复制
B = 20/np.log(2) 
A = 600 + B*np.log(1/60)

base_score = A - B*lr.intercept_ 
base_score

lr.coef_[0][1]*B # log(odds)

score_age = woeall["age"] * (-B*lr.coef_[0][0]) 



file = "ScoreData.csv" 
with open(file,"w") as fdata:
    fdata.write("base_score,{}\n".format(base_score))
for i,col in enumerate(x.columns):
    score = woeall[col] * (-B*lr.coef_[0][i])
    score.name = "Score"
    score.index.name = col
    score.to_csv(file,header=True,mode="a")

最终打分结果 :

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2021-08-11 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一、知识准备
  • 二、项目主题
  • 三、项目目标
  • 四、知识要点
    • 4.1 原始数据
      • 4.1.1 导库/获取数据
      • 4.1.2 去重复值
      • 4.1.3 填补缺失值
    • 4.2 描述性统计
      • 4.2.1 处理异常值
      • 4.2.2 处理样本不均衡问题
      • 4.2.3 训练集和测试集
    • 4.3 分箱处理
      • 4.3.1 等频分箱
      • 4.3.2 封装WOE和IV函数
      • 4.3.3 用卡方检验来合并箱体画出IV曲线
      • 4.3.4 用最佳分箱个数分箱,并验证分箱结果
      • 4.4 计算各箱的WOE并映射到数据
      • 对所有的特征进行计算箱子的WOE
      • 4.5 建模与模型验证
    • 4.6 制作评分卡
      • 最终打分结果 :
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档