## 基于R语言的信用评分卡模型

模型"/>

## 基于R语言的信用评分卡模型

信用评分卡模型是最常见的金融风控手段之一，它是指根据客户的各种属性和行为数据，利用一定的信用评分模型，对客户进行信用评分，据此决定是否给予授信以及授信的额度和利率，从而识别和减少在金融交易中存在的交易风险。通过将模型变量WOE编码的方式离散化之后用LOGISTIC模型进行二分类的广义线性模型。
本文通过对kaggle上的Give Me Some Credit数据的挖掘分析，结合信用评分卡的建立原理，从数据的预处理、变量筛选、建模分析、模型评估、创建信用评分卡到建立自动评分系统，创建了一个简单的信用评分系统。

1.工作原理

客户的信用评分卡是基于统计模型，它通过对当前申请人的各项资料进行评估并给出一个分数，该评分能定量的对申请人的偿债能力做出预判。
评分卡由一系列的特征项组成，比如申请人的年龄、月收入、信贷数量等；每个特征项都有一系列的可能的属性，例如每个年龄段是年龄特征项的属性。在开发评分卡系统模型中，先确定属性与申请人未来信用表现之间的相互关系，然后给属性分配适当的分数权重，分配的分数权重要反映这种相互关系。分数权重越大，说明该属性表示的信用表现越好。一个申请的得分是其属性分值的简单求和。如果申请人的信用评分大于等于金融放款机构所设定的界限分数，此申请处于可接受的风险水平并将被批准；低于界限分数的申请人将被拒绝或给予标示以便进一步审查。

2.开发流程
数据获取 → 数据前期探索 → 数据预处理 → 变量筛选 → 逻辑回归模型开发 → 模型评估 → 生成评分卡

2.1 数据导入

    cs<-read.csv("cs-training.csv")cs<-cs[,-1]names(cs)<-c("好坏客户","可用额度比值","年龄","逾期30至59天比数","负债率","月收入","信贷数量","逾期90天比数", "固定资产贷款量","逾期60至89天比数","家属数量")

**2.2 数据预处理

2.2.1 缺失值处理**

missmap(cs,main="Missing and Obersved",col=c("yellow","red"))
md.pattern(cs)

对缺失值进行可视化展示，发现家属数量数据缺失3924，占比2.6%，删除对应数据行;月收入行缺失数据29731，占比较大，可以中位数进行填充。

cs<-cs[!is.na(cs$家属数量),]
cs$月收入<-na.roughfix(cs$月收入)

2.2.2 异常值处理

boxplot(cs[,c(2,5)])
boxplot(cs[,3],maxin="BOXPLOT",xlab="年龄")
boxplot(cs[,c(4,8,10)])
boxplot(cs[,c(7,9)])

异常值处理消除不合逻辑的数据和超级离群的数据，可用额度比值应该小于1，年龄为0的是异常值;通过箱线图可以发现，逾期天数笔数大于80的是超级离群数据，固定资产贷款量大于50的是超级离群数据，将这些离群值过滤掉，筛选出剩余部分数据。

cs<-cs[-which(cs$可用额度比值>1),]
cs<-cs[-which(cs$年龄==0|cs$年龄>70),]
cs<-cs[-which(cs$逾期30至59天比数>80),]

2.2.3 变量相关性分析
即使不进行线性相关性分析也不会影响模型的整体性能，进行相关性分析只是为了让我们的模型更易于解释，保证不同的分箱的得分正确。相关系数如下，表征两参数间的的线性相关程度，绝对值越大表明相关程度越大。

cor_all<-cor(cs[,1:11])
corrplot(cor_all,method="number")

从图中可知，参数间的相关性均小于0.6，同时亦可可以初步判断不存在多重共线性问题。当然我们在建模后还可以用VIF（方差膨胀因子）来检验多重共线性问题。如果存在多重共线性，即有可能存在两个变量高度相关，需要降维或剔除处理。

2.2.4 变量筛选

本文通过随机森林模型对变量的重要性排序，将重要性较低的变量剔除。随机森林模型是决策树模型的组合方法，通过有放回抽样的方法，从样本集中选择k个样本作为训练集，构成k和决策树模型；每一个树的每个节点随机的抽取metry个特征计算信息增益，选择分裂方向。将生成的多棵树组成随机森林，用随机森林对样本进行分类，分类结果按树分类器投票多少而定。变量重要性（VIM，Gini）是通过计算变量在所有树的每个节点分裂不纯度的平均该变量，该值越大，表示该值带来的信息增益越大，便越重要；另一个以OBB错误率差值表征变量重要性，首先计算单棵树的OBB错误率，随机替换一个变量，重新计算OBB错误率，两次错误率的差值越大，表明被替换的标量越重要，此处用OBB错误率差值表征。

set.seed(123)
crf<-cforest(好坏客户~.,control=cforest_unbiased(mtry=3,ntree=50),data=cs)
varim<-data.frame(varimp(crf))
var<-data.frame(colnames(cs)[2:11],varim$varimp.crf.)
var<-var[order(-var$varim.varimp.crf.),]

如上为重要性排名，可以看出信贷数量_{家属数量相较于逾期90天比数}逾期30天~59天比数，重要程度低很多。此处先不对变量进行删减，可配合后续模型回归系数正负关系进行删减。

2.2.5 数据划分

我们利用caret包中的createDataPartition（数据分割功能）函数将数据随机分成相同的两份，其中。其中用于训练的数据占75%，用于检验模型的数据占比25%。

set.seed(123)
split<-createDataPartition(cs$好坏客户,p=0.75,list=FALSE,time=1)
train<-cs[split,]
test<-cs[-split,]
table(train$好坏客户)
table(test$好坏客户)

**2.3模型建立

2.3.1 建模**

fit<-glm(好坏客户~.,binomial,train)
summary(fit)

各参数p-value均小于0.05，拒绝原假设，即所有变量均y值均显著。但是，可以注意到，年龄/负债率/月收入的系数为负，而对于分箱的WOE编码，分箱中坏客户占比越大，WOE值越大； 也就是说该分箱中客户为坏客户的概率就越大，对应的WOE值越大，即WOE与逻辑回归的预测结果 (坏客户的概率) 成正比，即各系数在评分卡模型中均应为正。
此处，首先根据2.2.3节中的变量重要性，选取重要程度最大的4个变量，即逾期90天比数/可用额度比值/逾期30至59天比数/逾期60至89天比数，按优先级从高到低逐渐添加变量，当新添加的变量之后，出现系数为负的情况，舍弃该变量，直到添加最后一个变量。最后结果为，删除年龄/负债率/月收入这3个变量。

cs2<-cs[,c(-3,-5,-6)]
set.seed(321)
split2<-createDataPartition(cs2$好坏客户,p=0.75,list=FALSE,time=1)
train2<-cs2[split2,]
test2<-cs2[-split2,]
table(train2$好坏客户)
table(test2$好坏客户)
fit2<-glm(好坏客户~.,binomial,train2)
summary(fit2)

2.3.2 模型检验

下面首先利用模型对test数据进行预测，生成概率预测值。在R中，可以利用pROC包，它能方便比较两个分类器，还能自动标注出最优的临界点，图看起来也比较漂亮。在下图中最优点TNR=1-FPR=0.714，TPR=0.780，AUC值为0.826，说明该模型的预测效果还是不错的，正确率较高。

pre2<-predict(fit2,test2,type="response")
myRoc2<-roc(test2$好坏客户,pre2)
plot(myRoc2, print.auc=TRUE, auc.polygon=TRUE, grid=c(0.1, 0.2),grid.col=c("green", "red"), max.auc.polygon=TRUE,auc.polygon.col="skyblue", print.thres=TRUE)

2.3.2 kaggle正确率检验

将模型预测kaggle中的cs-test数据，经验证，模型预测accuracy为84.123%，说明模型可靠。
names(train2)<-colnames(cs3)
fit3<-glm(SeriousDlqin2yrs~.,binomial,train2)
summary(fit3)
Probability<-round(predict(fit3,cs_test,type="response"),3)
Probability<-as.data.frame(Probability)
cs_test$SeriousDlqin2yrs<-as.data.frame(Probability)
#cs_test$SeriousDlqin2yrs<-ifelse(cs_test$SeriousDlqin2yrs>=0.5,1,0)
ID<-as.data.frame(1:101503)
submit<-c(ID,Probability)
submit<-as.data.frame(submit)
names(submit)<-c("ID","Probability")