[发明专利]一种评分卡建模方法

权利要求书

1.一种评分卡建模方法，其特征在于，包括以下步骤：

步骤S1，确定变量及筛选变量：对变量进行转换，转换为衍生变量，在所有所述衍生变量中通过筛选算法剔除部分所述衍生变量后，得到筛选后高解释性、低共线性的中间衍生变量；

步骤S2，中间衍生变量逻辑回归：先对所述中间衍生变量做向后逻辑回归，逐次剔除无效的或共线性较强的中间衍生变量；再对被剔除的所述中间衍生变量做向前回补，尝试逐个加回被剔除的中间衍生变量，确保模型效果最优，在向后逻辑回归和向前回补过程结束后确定最终入模变量及其权重，即确定了计分模型；

步骤S3，模型验证：利用样本验证集对所述计分模型进行验证，判断验证结果的合理性；当所述验证结果不合理时，退回执行所述步骤S2。

2.如权利要求1所述的一种评分卡建模方法，其特征在于，还包括：

步骤S4，评分转化及调整转换参数：对所述验证结果转化为评分，判断所述评分的合理性，并手动修正转化过程中的转化参数，从而输出最终评分；

步骤S5，模型稳定性验证：对所述计分模型初步应用，并验证所述计分模型的稳定性，适时做出模型微调。

3.如权利要求1所述的一种评分卡建模方法，其特征在于，所述步骤S2中确定变量并将所述变量转化为衍生变量的方法包括：

步骤S11：对变量分别做证据权重(WOE，Weight of Evidence)计算、重编码(Recode)计算，得到两组所述衍生变量；

步骤S12：对两组所述衍生变量的计算结果做相关性以及基于因子分析的变量聚类分析，剔除高共线性的所述衍生变量；

步骤S13：对确定的所述衍生变量以及变量值手动精调分箱，根据分箱结果得到所述中间衍生变量。

4.如权利要求3所述的一种评分卡建模方法，其特征在于，所述步骤S12中的相关性及变量聚类分析的方法包括以下步骤：

步骤S121：基于所述衍生变量的个数确定若干备选分簇数；

步骤S122：基于因子分析以及主成分分析(PCA，Principal component Analysis)算法将衍生变量按照备选分簇数分簇；

步骤S123：评估不同备选分簇数下分簇的结果对整个衍生变量的样本训练集的解释度，选取具有最大解释度的分簇方式作为分簇结果；

步骤S124：从最终所述分簇方式的每个分簇中各选取若干个最优衍生变量，选取最优衍生变量时，当所述分簇中具有WOE变量和Recode变量时优先选取WOE变量；

步骤S125：汇总每个分簇中选取的多个所述衍生变量，如果同一个变量衍生出的WOE变量和Recode变量同时存在时，优先选择WOE变量，从而最终筛选出所述中间衍生变量。

5.如权利要求4所述的一种评分卡建模方法，其特征在于，所述步骤S124中选取的多个衍生变量包括：

每个分簇中拟合系数率(coefficient of Determination ratio)最小的衍生变量；

每个分簇中柯尔莫哥洛夫-斯米诺夫(KS，Kolmogorov-Smirnov)检验值最高的衍生变量；

当分簇中拟合系数(coefficient of Determination)小于0.3的衍生变量具有多个时，选择所述衍生变量中柯尔莫哥洛夫-斯米诺夫(KS，Kolmogorov-Smirnov)检验值最高的衍生变量。

6.如权利要求1至5任意一项所述的一种评分卡建模方法，其特征在于，所述步骤S2中中间变量逻辑回归的方法包括：

确定权重方向：确定所述中间衍生变量的权重方向，确定的所述权重方向能够使得利用所述中间衍生变量和所述权重的计算结果符合样本训练集的评分趋势。