8月4日下午15:00顶象第三期业务安全大讲堂正式开讲。本期业务安全大讲堂由顶象研发总监管胜老师进行分享，针对信贷风控，管胜老师就评分卡模型做了深入浅出的讲解，深刻剖析了评分卡模型的原理、如何构建评分卡模型以及评分卡模型如何评估、应用、跟踪等问题，不仅让大家对信用贷有了更深的理解，同时对评分卡模型的构建产生了极大关注度。
直播过程中，我们也收到了一系列关于评分卡模型的疑问，现将部分问答整理出来，供大家参考。感兴趣的同学也可关注顶象公众号或视频号回看直播重点。
Q1：评分卡模型为什么要做筛选特征，使用更多特征不是更好吗？
管胜：这个问题非常好，从算法的推理来看，特征越多模型的效果会越好，但是要注意，这个好可能仅仅发生在训练集上，对于测试集可能就不好了，它跟特征分箱是同一个道理，箱分得越细越多，过拟合的风险就越大，特征越多同样也会存在过拟合的风险，
除了过拟合的风险外，还有几个坏处：
* 让模型变得更复杂，解释性变差。
* 引入特征越多，模型上线的难度越大，在线上收集特征可能不容易。
* 特征可能会波动，特征越多，整体模型的波动性也会更大，导致模型的稳定性下降。
Q2：PSI 对评分卡的稳定性监控很重要，你们是怎么实现的？
管胜：模型的开发阶段与应用监控阶段是分开的，数据也是分开的，开发阶段采用的是离线数据，应用阶段是实时数据，而做PSI监控，需要对2个数据集采用一致的方式进行分箱，然后计算2个数据集的PSI，要实现这个PSI对比，工程的难度会很大，在我们的产品实现上让算法人员开发的模型，无感知就自动支持PSI监控，把开发与应用做了集成。
* 模型部署时，会自动将训练集的信息附带在模型中；
* 模型在应用过程中，对应用样本集按训练集的方式进行分箱；
* 每个月，对比一次计算出PSI。
Q3：分箱合并的过程，卡方检验合并与WOE合并，哪一种效果更好？
管胜：这是2种完全不同的分箱合并的思路，不过他们的共同点都是：有监督的，利用标签的信息来判断是否需要合并。
至于哪一种效果更好，其实并不能用公式来确定，需要根据实际的尝试才能知道，从实际的经验来看，两种效果的差距并不大。不过，WOE合并相对卡方检验来说，在复杂程度与应用上都更加简便。
Q4：评分卡的模型是怎么在风控体系使用的？
管胜：评分卡模型分为A卡、B卡、C卡，在信贷风控中，这3种使用最为久远与成熟。
A卡是贷前评分卡，也称为反欺诈评分卡，作为准入门槛使用。
B卡是贷中评分卡，借贷期间或信用卡使用期间，管理用户的风险与额度调整。
C卡是贷后评分卡，用于逾期催收借贷。
Q5：对机器学习、模型相关内容非常感兴趣，想往这个方向转，有推荐的书籍或者方法么？
管胜：首先还是要有一定的数学与统计学基础，对于传统机器学习来说，更多的都是统计学的知识，建议先学习概率论与数理统计，另外还需要学习线性代数。然后在实践中学习，安装python 与sklearn，查看算法的内部实现代码，特别要深入理解模型的训练与评估过程。对于深度学习，复杂的理论公式反而不多，建议多看引用量大的优秀Paper，学习更多的网络设计的原因与技巧。
Q6：我看您用的是自研的机器学习平台，内置了哪些算法呢？
管胜：已经封装好的算法组件有100 多个，涵盖：数据读写、特征工程、分类聚类回归算法、文本类算法、关联网络类算法、金融评分类算法、时序数据类算法、模型评估，另外还包括“人行征信特征衍生”组件，几乎可以解决任意场景建模的算法需求。
最后，再给大家简单介绍下顶象《业务安全大讲堂》系列直播课，本系列汇集业内大咖组建豪华讲师天团，剖析各类欺诈手段，详解前沿安全技术，帮助企业应对业务安全新风险。
下期将由顶象技术总监杜威为大家带来《业务安全平台核心模块解析——设备指纹》的主题课程，敬请期待！
