风控模型开发验证报告

00 模型概要信息

项目	内容
模型名称	exp_20261015-163443-a979
开发完成日期	2026-10-15
模型开发人员	（人工填写）
模型开发人员邮件地址	（人工填写）
模型验证人员	（人工填写）
模型验证人员邮件地址	（人工填写）
模型应用环节	preloan_approval
模型应用频率	（人工填写）
模型开发背景及业务用途描述	Local MVP full pipeline run.
模型适用产品/客户描述	（人工填写）
模型重开发原因（如有）	—
模型拟监控频率	（人工填写）
模型路线	LR + WOE 评分卡
目标变量	flag_30
实验 ID	ITE-mv9aj6i5-a405

待补充：模型开发/验证人员、应用频率、产品描述等字段需人工补填。

01 模型设计

建模数据样本窗口

项目	内容
切分方式	外部 data_flag 划分（TRAIN 内 6/4 随机开发/测试，VALI 跨时间，PSI 时点）
开发样本(Train)窗口	2025-01-01 ~ 2025-04-19
预留验证样本窗口	2025-01-01 ~ 2025-04-19
跨时间验证样本窗口	2025-04-19 ~ 2025-05-25
PSI时点样本窗口	2025-05-26 ~ 2025-06-30

模型好坏定义

项目	内容
目标变量	flag_30
坏样本(BAD=1)占比	22.06%
好样本(BAD=0)占比	—
不确定样本	本流程要求目标变量已预计算为 0/1 二值，不确定样本请在上游合并口径

样本排除规则

序号	排除规则	说明
1	credit_no	主键/时间/口径字段，不入模
2	apply_dt	主键/时间/口径字段，不入模
3	flag_30 为空	排除 0 行

滚动率分析

待补充：滚动率分析（M0→M6+ 状态迁移矩阵）需要逾期状态口径数据，当前流程目标变量为上游已计算的二值标签，暂未生成。

待补充：表现窗口及坏账率分析、模型细分定义需结合业务口径人工补充。

02 数据流

开发时点 — 样本排除

类别	样本数
全部样本	30000
排除：目标变量为空	0
排除后样本	30000

注：按照01模型设计的排除规则统计；当前流程的排除项为目标变量缺失。

总体样本概况

数据集	样本量	好样本	坏样本	坏样本率	占比
全部样本	30000	23383	6617	22.06%	100.00%
开发样本	10801	8453	2348	21.74%	36.00%
测试样本	7199	5635	1564	21.73%	24.00%
训练+测试样本	18000	14088	3912	21.73%	60.00%
跨时间验证样本	6000	4624	1376	22.93%	20.00%
PSI时点样本	6000	4671	1329	—	20.00%

开发/预留验证样本交叉统计

类别	开发+预留样本数	开发样本数	开发占比	预留验证样本数	预留验证占比
好	14088	8453	60.00%	5635	40.00%
坏	3912	2348	60.02%	1564	39.98%
合计	18000	10801	60.01%	7199	39.99%

细致变量分析（预分箱口径，开发样本）

变量	IV	缺失率	取值集中度	最大相关系数
risk_score	0.1434	0.00%	0.91%	0.9986
risk_score_v2	0.1390	0.00%	0.94%	0.9986
bh_a001	0.1382	0.00%	0.15%	0.9298
ScoreCust2_v2	0.1321	0.00%	1.14%	0.9952
ScoreCust2	0.1277	0.00%	1.13%	0.9952
bh_a009	0.1271	0.00%	1.73%	0.8070
cust_seg2	0.0848	0.00%	30.86%	0.6662
avg_tnr	0.0841	0.00%	1.92%	0.6947
query_cnt_3m	0.0732	0.00%	16.53%	0.5822
income_grade	0.0632	0.00%	31.12%	0.5458
repay_amt_6m_grade	0.0607	0.00%	27.69%	0.5342
rare_field	0.0330	96.32%	0.76%	0.0812
tenure_m	0.0217	0.00%	5.50%	0.3328
card_usage_ratio	0.0214	0.00%	1.69%	0.3613
bank_997_cnt_3m	0.0205	0.00%	34.62%	0.2757
edu_level	0.0004	0.00%	42.13%	—
region_code	0.0004	0.00%	20.63%	—
flag_special	0.0000	0.00%	95.41%	0.0380

注：共 18 个候选变量，按 IV 降序展示前 18 个；集中度 = 最大频次取值样本数 ÷ 非空样本数；相关性为皮尔逊（仅数值变量），完整数据见 variable_detail.json。

03 单变量分析（细分箱）

risk_score — IV 0.1880，5 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 519.5]	2555	2414	141	5.52%	0.3384
2	(519.5, 564.5]	3183	2752	431	13.54%	0.1888
3	(564.5, 600.5]	2574	1946	628	24.40%	-0.0498
4	(600.5, 643.5]	1752	1060	692	39.50%	-0.2396
5	(643.5, inf]	737	281	456	61.87%	-0.2638

bh_a001 — IV 0.1854，5 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 280.0500030517578]	3941	3641	300	7.61%	0.3938
2	(280.0500030517578, 332.75]	3801	3050	751	19.76%	0.0488
3	(332.75, 367.75]	1739	1159	580	33.35%	-0.1591
4	(367.75, 394.25]	756	392	364	48.15%	-0.1814
5	(394.25, inf]	564	211	353	62.59%	-0.2142

risk_score_v2 — IV 0.1841，5 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 518.5]	2511	2372	139	5.54%	0.3336
2	(518.5, 563.5]	3131	2711	420	13.41%	0.1897
3	(563.5, 602.5]	2766	2096	670	24.22%	-0.0488
4	(602.5, 643.5]	1653	993	660	39.93%	-0.2351
5	(643.5, inf]	740	281	459	62.03%	-0.2656

ScoreCust2 — IV 0.1611，5 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 508.5]	1706	1626	80	4.69%	0.2596
2	(508.5, 545.5]	3198	2825	373	11.66%	0.2360
3	(545.5, 579.5]	3393	2613	780	22.99%	-0.0281
4	(579.5, 604.5]	1527	973	554	36.28%	-0.1794
5	(604.5, inf]	977	416	561	57.42%	-0.2967

ScoreCust2_v2 — IV 0.1542，5 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 507.5]	1649	1574	75	4.55%	0.2546
2	(507.5, 544.5]	3158	2794	364	11.53%	0.2374
3	(544.5, 583.5]	3802	2912	890	23.41%	-0.0401
4	(583.5, 606.5]	1295	802	493	38.07%	-0.1769
5	(606.5, inf]	897	371	526	58.64%	-0.2861

bh_a009 — IV 0.1505，5 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 6.3500001430511475]	902	433	469	52.00%	-0.2386
2	(6.3500001430511475, 8.050000190734863]	1648	1057	591	35.86%	-0.1845
3	(8.050000190734863, 9.25]	1640	1183	457	27.87%	-0.0820
4	(9.25, 11.449999809265137]	3422	2855	567	16.57%	0.1221
5	(11.449999809265137, inf]	3189	2925	264	8.28%	0.3231

avg_tnr — IV 0.1066，5 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 2.149999976158142]	926	474	452	48.81%	-0.2194
2	(2.149999976158142, 3.350000023841858]	961	609	352	36.63%	-0.1276
3	(3.350000023841858, 4.450000047683716]	1258	903	355	28.22%	-0.0706
4	(4.450000047683716, 7.3500001430511475]	4230	3391	839	19.83%	0.0499
5	(7.3500001430511475, inf]	3426	3076	350	10.22%	0.2859

cust_seg2 — IV 0.1060，4 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 3.5]	2056	1867	189	9.19%	0.2166
2	(3.5, 4.5]	3333	2822	511	15.33%	0.1501
3	(4.5, 5.5]	3330	2505	825	24.77%	-0.0668
4	(5.5, inf]	2082	1259	823	39.53%	-0.2705

query_cnt_3m — IV 0.0982，3 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 3.5]	5085	3547	1538	30.25%	-0.2279
2	(3.5, 5.5]	3012	2492	520	17.26%	0.0968
3	(5.5, inf]	2704	2414	290	10.72%	0.2311

income_grade — IV 0.0805，4 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 3.5]	1211	743	468	38.65%	-0.1736
2	(3.5, 4.5]	2510	1766	744	29.64%	-0.1417
3	(4.5, 5.5]	3361	2689	672	19.99%	0.0398
4	(5.5, inf]	3719	3255	464	12.48%	0.2380

rare_field — IV 0.0659，5 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, -0.05299999937415123]	188	148	40	21.28%	0.0391
2	(-0.05299999937415123, 0.3699999898672104]	58	38	20	34.48%	-0.1465
3	(0.3699999898672104, 1.0099999904632568]	89	80	9	10.11%	0.2372
4	(1.0099999904632568, 1.324500024318695]	26	19	7	26.92%	-0.0279
5	(1.324500024318695, inf]	36	22	14	38.89%	-0.1369

repay_amt_6m_grade — IV 0.0607，5 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 3.5]	1647	1047	600	36.43%	-0.1915
2	(3.5, 4.5]	2268	1634	634	27.95%	-0.1049
3	(4.5, 5.5]	2991	2384	607	20.29%	0.0305
4	(5.5, 6.5]	2286	1944	342	14.96%	0.1227
5	(6.5, inf]	1609	1444	165	10.25%	0.1624

bank_997_cnt_3m — IV 0.0246，4 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 0.5]	3447	2899	548	15.90%	0.1392
2	(0.5, 1.5]	3739	2928	811	21.69%	0.0012
3	(1.5, 2.5]	2224	1655	569	25.58%	-0.0648
4	(2.5, inf]	1391	971	420	30.19%	-0.0990

card_usage_ratio — IV 0.0216，5 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 0.107999999076128]	922	854	68	7.38%	0.1277
2	(0.107999999076128, 0.3381499946117401]	3589	2904	685	19.09%	0.0634
3	(0.3381499946117401, 0.6137499809265137]	4440	3434	1006	22.66%	-0.0242
4	(0.6137499809265137, 0.7716499865055084]	1309	925	384	29.34%	-0.0851
5	(0.7716499865055084, inf]	541	336	205	37.89%	-0.0844

tenure_m — IV 0.0159，5 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 2.5]	696	414	282	40.52%	-0.1218
2	(2.5, 10.5]	1179	891	288	24.43%	-0.0281
3	(10.5, 53.5]	7715	6046	1669	21.63%	0.0037
4	(53.5, 58.5]	647	568	79	12.21%	0.0610
5	(58.5, inf]	564	534	30	5.32%	0.0937

edu_level — IV 0.0004，4 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	大专	3260	2574	686	21.04%	0.0155
2	本科	4550	3555	995	21.87%	-0.0035
3	硕士及以上	1405	1081	324	23.06%	-0.0160
4	高中及以下	1586	1243	343	21.63%	0.0015

region_code — IV 0.0004，5 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	其他	2119	1657	462	21.80%	-0.0011
2	华东	2156	1685	471	21.85%	-0.0018
3	华北	2119	1682	437	20.62%	0.0186
4	华南	2179	1701	478	21.94%	-0.0033
5	西南	2228	1728	500	22.44%	-0.0120

flag_special — IV 0.0000，1 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, inf]	10801	8453	2348	21.74%	0.0000

data_flag — IV 0.0000，1 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	TRAIN	10801	8453	2348	21.74%	0.0000

注：统计全部候选变量的自动分箱明细（初分组），按 IV 降序展示前 19 个变量，共 19 个；完整数据见 feature_report.json。

04 单变量分析（粗分箱）

risk_score — 5 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 519.5]	2555	2414	141	5.52%	0.3384
2	(519.5, 564.5]	3183	2752	431	13.54%	0.1888
3	(564.5, 600.5]	2574	1946	628	24.40%	-0.0498
4	(600.5, 643.5]	1752	1060	692	39.50%	-0.2396
5	(643.5, inf]	737	281	456	61.87%	-0.2638

关键结论

单调性良好：随分栏增大，Bad Rate 单调上升（5.52% → 61.87%），WOE 单调下降（0.3384 → -0.2638），符合风控分箱预期。IV=0.1880，该变量区分度尚可。

WOE 在第 2、3 箱之间穿越 0 线：前 2 箱 WOE>0（客户质量优于整体），后 3 箱 WOE<0（风险高于平均）

第 5 箱（(643.5, inf]）为极高风险区间：坏率高达 61.87%，策略上应重点管控

avg_tnr — 5 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 2.149999976158142]	926	474	452	48.81%	-0.2194
2	(2.149999976158142, 3.350000023841858]	961	609	352	36.63%	-0.1276
3	(3.350000023841858, 4.450000047683716]	1258	903	355	28.22%	-0.0706
4	(4.450000047683716, 7.3500001430511475]	4230	3391	839	19.83%	0.0499
5	(7.3500001430511475, inf]	3426	3076	350	10.22%	0.2859

关键结论

单调性良好：随分栏增大，Bad Rate 单调下降（48.81% → 10.22%），WOE 单调上升（-0.2194 → 0.2859），符合风控分箱预期。IV=0.1066，该变量区分度尚可。

WOE 在第 3、4 箱之间穿越 0 线：前 3 箱 WOE>0（客户质量优于整体），后 2 箱 WOE<0（风险高于平均）

第 1 箱（(-inf, 2.149999976158142]）为极高风险区间：坏率高达 48.81%，策略上应重点管控

cust_seg2 — 4 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 3.5]	2056	1867	189	9.19%	0.2166
2	(3.5, 4.5]	3333	2822	511	15.33%	0.1501
3	(4.5, 5.5]	3330	2505	825	24.77%	-0.0668
4	(5.5, inf]	2082	1259	823	39.53%	-0.2705

关键结论

单调性良好：随分栏增大，Bad Rate 单调上升（9.19% → 39.53%），WOE 单调下降（0.2166 → -0.2705），符合风控分箱预期。IV=0.1060，该变量区分度尚可。

WOE 在第 2、3 箱之间穿越 0 线：前 2 箱 WOE>0（客户质量优于整体），后 2 箱 WOE<0（风险高于平均）

第 4 箱（(5.5, inf]）为极高风险区间：坏率高达 39.53%，策略上应重点管控

query_cnt_3m — 3 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 3.5]	5085	3547	1538	30.25%	-0.2279
2	(3.5, 5.5]	3012	2492	520	17.26%	0.0968
3	(5.5, inf]	2704	2414	290	10.72%	0.2311

关键结论

单调性良好：随分栏增大，Bad Rate 单调下降（30.25% → 10.72%），WOE 单调上升（-0.2279 → 0.2311），符合风控分箱预期。IV=0.0982，该变量区分度偏弱但可用。

WOE 在第 1、2 箱之间穿越 0 线：前 1 箱 WOE>0（客户质量优于整体），后 2 箱 WOE<0（风险高于平均）

第 1 箱（(-inf, 3.5]）为高风险区间：坏率高达 30.25%，可作为拒绝或重点风控策略的阈值参考

income_grade — 4 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 3.5]	1211	743	468	38.65%	-0.1736
2	(3.5, 4.5]	2510	1766	744	29.64%	-0.1417
3	(4.5, 5.5]	3361	2689	672	19.99%	0.0398
4	(5.5, inf]	3719	3255	464	12.48%	0.2380

关键结论

单调性良好：随分栏增大，Bad Rate 单调下降（38.65% → 12.48%），WOE 单调上升（-0.1736 → 0.2380），符合风控分箱预期。IV=0.0805，该变量区分度偏弱但可用。

WOE 在第 2、3 箱之间穿越 0 线：前 2 箱 WOE>0（客户质量优于整体），后 2 箱 WOE<0（风险高于平均）

第 1 箱（(-inf, 3.5]）为极高风险区间：坏率高达 38.65%，策略上应重点管控

repay_amt_6m_grade — 5 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 3.5]	1647	1047	600	36.43%	-0.1915
2	(3.5, 4.5]	2268	1634	634	27.95%	-0.1049
3	(4.5, 5.5]	2991	2384	607	20.29%	0.0305
4	(5.5, 6.5]	2286	1944	342	14.96%	0.1227
5	(6.5, inf]	1609	1444	165	10.25%	0.1624

关键结论

单调性良好：随分栏增大，Bad Rate 单调下降（36.43% → 10.25%），WOE 单调上升（-0.1915 → 0.1624），符合风控分箱预期。IV=0.0607，该变量区分度偏弱但可用。

WOE 在第 2、3 箱之间穿越 0 线：前 2 箱 WOE>0（客户质量优于整体），后 3 箱 WOE<0（风险高于平均）

第 1 箱（(-inf, 3.5]）为极高风险区间：坏率高达 36.43%，策略上应重点管控

bank_997_cnt_3m — 4 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 0.5]	3447	2899	548	15.90%	0.1392
2	(0.5, 1.5]	3739	2928	811	21.69%	0.0012
3	(1.5, 2.5]	2224	1655	569	25.58%	-0.0648
4	(2.5, inf]	1391	971	420	30.19%	-0.0990

关键结论

单调性良好：随分栏增大，Bad Rate 单调上升（15.90% → 30.19%），WOE 单调下降（0.1392 → -0.0990），符合风控分箱预期。IV=0.0246，该变量区分度偏弱但可用。

WOE 在第 2、3 箱之间穿越 0 线：前 2 箱 WOE>0（客户质量优于整体），后 2 箱 WOE<0（风险高于平均）

第 4 箱（(2.5, inf]）为高风险区间：坏率高达 30.19%，可作为拒绝或重点风控策略的阈值参考

card_usage_ratio — 5 箱

分组号	分栏	Total	Good	Bad	Bad Rate	WOE
1	(-inf, 0.107999999076128]	922	854	68	7.38%	0.1277
2	(0.107999999076128, 0.3381499946117401]	3589	2904	685	19.09%	0.0634
3	(0.3381499946117401, 0.6137499809265137]	4440	3434	1006	22.66%	-0.0242
4	(0.6137499809265137, 0.7716499865055084]	1309	925	384	29.34%	-0.0851
5	(0.7716499865055084, inf]	541	336	205	37.89%	-0.0844

关键结论

单调性良好：随分栏增大，Bad Rate 单调上升（7.38% → 37.89%），WOE 单调下降（0.1277 → -0.0844），符合风控分箱预期。IV=0.0216，该变量区分度偏弱但可用。

WOE 在第 2、3 箱之间穿越 0 线：前 2 箱 WOE>0（客户质量优于整体），后 3 箱 WOE<0（风险高于平均）

第 5 箱（(0.7716499865055084, inf]）为极高风险区间：坏率高达 37.89%，策略上应重点管控

注：统计入模变量经合并调整后的最终分箱明细（开发样本口径）。当前流程细/粗分箱由同一自动分箱算法直接产出。

05 变量筛选

项目	内容
筛选优先级	黑名单 > 白名单 > 自动规则
IV 下限	0.02
缺失率上限	0.8
集中度上限	0.9
相关性上限(皮尔逊)	0.7
PSI 上限	0.25
重要性 Top-K	80
黑名单	无
白名单	无

候选变量 19，成功分箱 19，入模 8

变量	白名单	入模	IV	缺失率	集中度	IV门槛	相关性	PSI	剔除原因
risk_score	—	Y	0.1880	PASS	PASS	PASS	PASS	0.0010
ScoreCust2	—	N	0.1611	PASS	PASS	PASS	FAIL	0.0019	与 risk_score 相关>0.7
cust_seg2	—	Y	0.1060	PASS	PASS	PASS	PASS	0.0005
income_grade	—	Y	0.0805	PASS	PASS	PASS	PASS	0.0004
bh_a001	—	N	0.1854	PASS	PASS	PASS	FAIL	0.0006	与 risk_score 相关>0.7
bh_a009	—	N	0.1505	PASS	PASS	PASS	FAIL	0.0007	与 risk_score 相关>0.7
bank_997_cnt_3m	—	Y	0.0246	PASS	PASS	PASS	PASS	0.0010
avg_tnr	—	Y	0.1066	PASS	PASS	PASS	PASS	0.0010
repay_amt_6m_grade	—	Y	0.0607	PASS	PASS	PASS	PASS	0.0007
tenure_m	—	N	0.0159	PASS	PASS	FAIL	—	—	IV<0.02
query_cnt_3m	—	Y	0.0982	PASS	PASS	PASS	PASS	0.0001
card_usage_ratio	—	Y	0.0216	PASS	PASS	PASS	PASS	0.0004
rare_field	—	N	0.0659	FAIL	PASS	—	—	—	缺失率>0.8
flag_special	—	N	0.0000	PASS	FAIL	—	—	—	集中度>0.9
edu_level	—	N	0.0004	PASS	PASS	FAIL	—	—	IV<0.02
region_code	—	N	0.0004	PASS	PASS	FAIL	—	—	IV<0.02
risk_score_v2	—	N	0.1841	PASS	PASS	PASS	FAIL	0.0013	与 risk_score 相关>0.7
ScoreCust2_v2	—	N	0.1542	PASS	PASS	PASS	FAIL	0.0010	与 risk_score 相关>0.7
data_flag	—	N	0.0000	PASS	FAIL	—	—	—	集中度>0.9

06 回归结果

硬门槛：P≥0.1 / VIF>4.0 迭代剔除，共 0 个变量被剔除（1 轮）。

Parameter	Label	Estimate(无惩罚)	Standard Error	Wald Chi-Square	Pr > ChiSq	Standardized Estimate
Intercept	Intercept	-1.2177	0.0286	1813.04	<0.0001	—
WOE_risk_score	risk_score	-2.8306	0.1892	223.72	<0.0001	-0.6186
WOE_avg_tnr	avg_tnr	-1.0527	0.1946	29.25	<0.0001	-0.1758
WOE_cust_seg2	cust_seg2	-0.4957	0.1715	8.35	0.0039	-0.0875
WOE_query_cnt_3m	query_cnt_3m	-0.3881	0.1501	6.68	0.0097	-0.0776
WOE_income_grade	income_grade	-0.6080	0.1794	11.49	0.0007	-0.0986
WOE_repay_amt_6m_grade	repay_amt_6m_grade	-0.5840	0.2276	6.58	0.0103	-0.0721
WOE_bank_997_cnt_3m	bank_997_cnt_3m	-0.7988	0.2950	7.33	0.0068	-0.0713
WOE_card_usage_ratio	card_usage_ratio	-1.2401	0.4280	8.39	0.0038	-0.0799

注：Estimate 列为无惩罚（精确推断）拟合；生产系数保持 L2 正则（model_results.json / score.py 口径），两套估计并列展示。标准误基于无惩罚似然观测信息矩阵。

07 VIF

VIF

Parameter	VIF
risk_score	2.77281
avg_tnr	1.65502
cust_seg2	1.61747
query_cnt_3m	1.34139
income_grade	1.32401
repay_amt_6m_grade	1.33576
bank_997_cnt_3m	1.06960
card_usage_ratio	1.11521

	risk_score	avg_tnr	cust_seg2	query_cnt_3m	income_grade	repay_amt_6m_grade	bank_997_cnt_3m	card_usage_ratio
risk_score	1.000	0.619	0.606	0.493	0.483	0.491	0.247	0.311
avg_tnr	0.619	1.000	0.432	0.351	0.345	0.349	0.175	0.227
cust_seg2	0.606	0.432	1.000	0.352	0.335	0.352	0.176	0.226
query_cnt_3m	0.493	0.351	0.352	1.000	0.284	0.282	0.146	0.187
income_grade	0.483	0.345	0.335	0.284	1.000	0.279	0.156	0.185
repay_amt_6m_grade	0.491	0.349	0.352	0.282	0.279	1.000	0.137	0.178
bank_997_cnt_3m	0.247	0.175	0.176	0.146	0.156	0.137	1.000	0.092
card_usage_ratio	0.311	0.227	0.226	0.187	0.185	0.178	0.092	1.000

08 最终评分卡

标准分600.0

标准ODD20.0

PDO20.0

变量	分栏	WOE	Coefficient	Scorecard Points
risk_score	(-inf, 519.5]	0.3384	-2.7873	96
	(519.5, 564.5]	0.1888	-2.7873	84
	(564.5, 600.5]	-0.0498	-2.7873	65
	(600.5, 643.5]	-0.2396	-2.7873	49
	(643.5, inf]	-0.2638	-2.7873	47
avg_tnr	(-inf, 2.149999976158142]	-0.2194	-1.0338	62
	(2.149999976158142, 3.350000023841858]	-0.1276	-1.0338	65
	(3.350000023841858, 4.450000047683716]	-0.0706	-1.0338	66
	(4.450000047683716, 7.3500001430511475]	0.0499	-1.0338	70
	(7.3500001430511475, inf]	0.2859	-1.0338	77
cust_seg2	(-inf, 3.5]	0.2166	-0.5175	72
	(3.5, 4.5]	0.1501	-0.5175	71
	(4.5, 5.5]	-0.0668	-0.5175	68
	(5.5, inf]	-0.2705	-0.5175	65
query_cnt_3m	(-inf, 3.5]	-0.2279	-0.4166	66
	(3.5, 5.5]	0.0968	-0.4166	70
	(5.5, inf]	0.2311	-0.4166	71
income_grade	(-inf, 3.5]	-0.1736	-0.6070	66
	(3.5, 4.5]	-0.1417	-0.6070	66
	(4.5, 5.5]	0.0398	-0.6070	69
	(5.5, inf]	0.2380	-0.6070	73
repay_amt_6m_grade	(-inf, 3.5]	-0.1915	-0.5839	65
	(3.5, 4.5]	-0.1049	-0.5839	67
	(4.5, 5.5]	0.0305	-0.5839	69
	(5.5, 6.5]	0.1227	-0.5839	71
	(6.5, inf]	0.1624	-0.5839	71
bank_997_cnt_3m	(-inf, 0.5]	0.1392	-0.7405	72
	(0.5, 1.5]	0.0012	-0.7405	69
	(1.5, 2.5]	-0.0648	-0.7405	67
	(2.5, inf]	-0.0990	-0.7405	66
card_usage_ratio	(-inf, 0.107999999076128]	0.1277	-1.1024	73
	(0.107999999076128, 0.3381499946117401]	0.0634	-1.1024	71
	(0.3381499946117401, 0.6137499809265137]	-0.0242	-1.1024	68
	(0.6137499809265137, 0.7716499865055084]	-0.0851	-1.1024	66
	(0.7716499865055084, inf]	-0.0844	-1.1024	66

09 模型表现

模型区分度评估（按样本）

模型	样本	KS	AUC	GINI
LR + WOE 评分卡	开发样本	0.3759	0.7509	0.5018
LR + WOE 评分卡	测试样本	0.3726	0.7448	0.4896
LR + WOE 评分卡	训练+测试样本	0.3710	0.7485	0.4970
LR + WOE 评分卡	跨时间验证样本	0.3399	0.7286	0.4572

LR + WOE 评分卡 — 4 样本评估表（score_cut 粒度）

开发样本（KS 0.0151，AUC 0.5057）

cuts	cnt	bad	good	bad_rate	population_pct	cum_bad_rate	cum_good_rate
[503, 517)	1081	599	482	55.41%	10.01%	25.51%	5.70%
[517, 527)	1080	439	641	40.65%	10.00%	44.21%	13.29%
[527, 540)	1081	316	765	29.23%	10.01%	57.67%	22.34%
[540, 548)	1080	258	822	23.89%	10.00%	68.65%	32.06%
[548, 562)	1079	215	864	19.93%	9.99%	77.81%	42.28%
[562, 570)	1080	176	904	16.30%	10.00%	85.31%	52.98%
[570, 577)	1080	132	948	12.22%	10.00%	90.93%	64.19%
[577, 586)	1081	101	980	9.34%	10.01%	95.23%	75.78%
[586, 594)	1082	70	1012	6.47%	10.02%	98.21%	87.76%
[594, 604)	1077	42	1035	3.90%	9.97%	100.00%	100.00%

测试样本（KS 0.0187，AUC 0.5065）

cuts	cnt	bad	good	bad_rate	population_pct	cum_bad_rate	cum_good_rate
[503, 518)	720	383	337	53.19%	10.00%	24.49%	5.98%
[518, 528)	721	298	423	41.33%	10.02%	43.54%	13.49%
[528, 540)	719	215	504	29.90%	9.99%	57.29%	22.43%
[540, 549)	721	182	539	25.24%	10.02%	68.93%	32.00%
[549, 563)	719	129	590	17.94%	9.99%	77.17%	42.47%
[563, 570)	721	112	609	15.53%	10.02%	84.34%	53.27%
[570, 577)	718	93	625	12.95%	9.97%	90.28%	64.37%
[577, 586)	720	76	644	10.56%	10.00%	95.14%	75.79%
[586, 594)	723	42	681	5.81%	10.04%	97.83%	87.88%
[594, 604)	717	34	683	4.74%	9.96%	100.00%	100.00%

训练+测试样本（KS 0.0099，AUC 0.5000）

cuts	cnt	bad	good	bad_rate	population_pct	cum_bad_rate	cum_good_rate
[503, 517)	1800	990	810	55.00%	10.00%	25.31%	5.75%
[517, 528)	1804	732	1072	40.58%	10.02%	44.02%	13.36%
[528, 540)	1796	526	1270	29.29%	9.98%	57.46%	22.37%
[540, 549)	1800	443	1357	24.61%	10.00%	68.79%	32.01%
[549, 562)	1800	345	1455	19.17%	10.00%	77.61%	42.33%
[562, 570)	1800	288	1512	16.00%	10.00%	84.97%	53.07%
[570, 577)	1806	221	1585	12.24%	10.03%	90.62%	64.32%
[577, 586)	1794	179	1615	9.98%	9.97%	95.19%	75.78%
[586, 594)	1807	113	1694	6.25%	10.04%	98.08%	87.81%
[594, 604)	1793	75	1718	4.18%	9.96%	100.00%	100.00%

跨时间验证样本（KS 0.0213，AUC 0.4975）

cuts	cnt	bad	good	bad_rate	population_pct	cum_bad_rate	cum_good_rate
[503, 518)	600	309	291	51.50%	10.00%	22.46%	6.29%
[518, 528)	600	246	354	41.00%	10.00%	40.33%	13.95%
[528, 540)	600	191	409	31.83%	10.00%	54.22%	22.79%
[540, 548)	600	151	449	25.17%	10.00%	65.19%	32.50%
[548, 562)	600	148	452	24.67%	10.00%	75.94%	42.28%
[562, 570)	600	102	498	17.00%	10.00%	83.36%	53.05%
[570, 577)	600	82	518	13.67%	10.00%	89.32%	64.25%
[577, 586)	600	68	532	11.33%	10.00%	94.26%	75.76%
[586, 594)	602	53	549	8.80%	10.03%	98.11%	87.63%
[594, 604)	598	26	572	4.35%	9.97%	100.00%	100.00%

跨时间验证样本结论

风险高度集中在低分尾端——最低 20% 样本集中了全量 40.3% 的坏客户，策略切分空间很大。

① 样本与分箱结构：共 6,000 样本 / 1,376 坏样本，整体坏率 22.93%，好坏比约 3.4:1；10 档等频分数分栏，每箱约 10%，分箱均匀，无空箱无过厚箱。

② 排序性与单调性：逐箱 Bad Rate 51.50% → … → 4.35%（低分 → 高分），无倒挂，最低分段坏率是最高分段的 11.8 倍。

③ 区分度与坏客户捕获：最低 20% 样本捕获全量 40.3% 的坏客户，最低 50% 捕获 75.9%；最高 20% 样本仅含 5.7% 的坏客户，其中风险最高一箱单独占 22.5%。

（口径：分数 = 按基准分/优比/PDO 刻度由模型概率转换，分数越高风险越低；结论由程序按分箱数据自动生成。）

注：score_cut 表按分数等频分 10 档（低分 → 高分）：分数由模型概率按基准分/优比/PDO 刻度转换，分数越高风险越低；每表附 KS/AUC（按概率计算，与分栏口径无关）；训练+测试 = TRAIN 全体。旧实验无分数转换时为 PD 等频口径。

10 KS和GINI

LR + WOE 评分卡

样本	KS	GINI	AUC
开发样本	0.3759	0.5018	0.7509
测试样本	0.3726	0.4896	0.7448
训练+测试样本	0.3710	0.4970	0.7485
跨时间验证样本	0.3399	0.4572	0.7286

开发样本

测试样本

训练+测试样本

跨时间验证样本

注：GINI = 2×AUC−1。KS 图 X 轴为分数（升序），红虚线为最大间隔位置；ROC 图例标注 AUC。

11 PSI

模型稳定性评估

模型	训练集与测试集	训练集与跨时间验证	训练集与oot验证集	训练集与psi验证集
LR + WOE 评分卡	0.0036	0.0028	—	0.0015

分数段 PSI 明细（开发样本 vs 跨时间验证样本）

分数段	开发样本占比	跨时间验证样本占比	PSI 贡献	累计 PSI
(-inf,0.0573]	9.97%	9.73%	0.0001	0.0001
(0.0573,0.0755]	10.02%	10.22%	0.0000	0.0001
(0.0755,0.1007]	10.01%	10.75%	0.0005	0.0006
(0.1007,0.1229]	10.00%	8.87%	0.0014	0.0020
(0.1229,0.1582]	10.00%	10.30%	0.0001	0.0021
(0.1582,0.2302]	10.01%	10.00%	0.0000	0.0021
(0.2302,0.2832]	9.98%	10.13%	0.0000	0.0021
(0.2832,0.382]	10.01%	10.27%	0.0001	0.0022
(0.382,0.4684]	10.00%	10.40%	0.0002	0.0023
(0.4684,inf]	10.01%	9.33%	0.0005	0.0028

分数段 PSI 明细（开发样本 vs PSI时点样本）

分数段	开发样本占比	PSI时点占比	PSI 贡献	累计 PSI
(-inf,0.0573]	9.97%	10.00%	0.0000	0.0000
(0.0573,0.0755]	10.02%	10.03%	0.0000	0.0000
(0.0755,0.1007]	10.01%	11.00%	0.0009	0.0009
(0.1007,0.1229]	10.00%	9.67%	0.0001	0.0010
(0.1229,0.1582]	10.00%	10.00%	0.0000	0.0010
(0.1582,0.2302]	10.01%	9.93%	0.0000	0.0011
(0.2302,0.2832]	9.98%	9.32%	0.0005	0.0015
(0.2832,0.382]	10.01%	10.03%	0.0000	0.0015
(0.382,0.4684]	10.00%	10.07%	0.0000	0.0015
(0.4684,inf]	10.01%	9.95%	0.0000	0.0015

模型样本量分布评估

评分段	开发样本样本量	开发样本占比	测试样本样本量	测试样本占比	训练+测试样本样本量	训练+测试样本占比	跨时间验证样本样本量	跨时间验证样本占比	PSI时点样本样本量	PSI时点样本占比
(-inf, inf]	1077	9.97%	730	10.14%	1807	10.04%	584	9.73%	600	10.00%
(0.0573, 0.0755]	1082	10.02%	740	10.28%	1822	10.12%	613	10.22%	602	10.03%
(0.0755, 0.1007]	1081	10.01%	745	10.35%	1826	10.14%	645	10.75%	660	11.00%
(0.1007, 0.1229]	1080	10.00%	670	9.31%	1750	9.72%	532	8.87%	580	9.67%
(0.1229, 0.1582]	1080	10.00%	785	10.90%	1865	10.36%	618	10.30%	600	10.00%
(0.1582, 0.2302]	1081	10.01%	672	9.33%	1753	9.74%	600	10.00%	596	9.93%
(0.2302, 0.2832]	1078	9.98%	673	9.35%	1751	9.73%	608	10.13%	559	9.32%
(0.2832, 0.382]	1081	10.01%	777	10.79%	1858	10.32%	616	10.27%	602	10.03%
(0.382, 0.4684]	1080	10.00%	741	10.29%	1821	10.12%	624	10.40%	604	10.07%
(0.4684, inf]	1081	10.01%	666	9.25%	1747	9.71%	560	9.33%	597	9.95%
sum	10801	100.00%	7199	100.00%	18000	100.00%	6000	100.00%	6000	100.00%

变量 PSI（开发样本 vs PSI时点样本，按入模变量分箱）

特征项	PSI	状态
bank_997_cnt_3m	0.0010	稳定
risk_score	0.0010	稳定
avg_tnr	0.0010	稳定
repay_amt_6m_grade	0.0007	稳定
cust_seg2	0.0005	稳定
card_usage_ratio	0.0004	稳定
income_grade	0.0004	稳定
query_cnt_3m	0.0001	稳定

risk_score — PSI 0.0010

分栏	开发基准比例	PSI时点样本比例	变更	贡献
(-inf, 519.5]	23.66%	23.95%	0.29%	0.0000
(519.5, 564.5]	29.47%	30.13%	0.66%	0.0001
(564.5, 600.5]	23.83%	22.52%	-1.31%	0.0007
(600.5, 643.5]	16.22%	16.37%	0.15%	0.0000
(643.5, inf]	6.82%	7.03%	0.21%	0.0001

avg_tnr — PSI 0.0010

分栏	开发基准比例	PSI时点样本比例	变更	贡献
(-inf, 2.149999976158142]	8.57%	8.88%	0.31%	0.0001
(2.149999976158142, 3.350000023841858]	8.90%	8.87%	-0.03%	0.0000
(3.350000023841858, 4.450000047683716]	11.65%	11.57%	-0.08%	0.0000
(4.450000047683716, 7.3500001430511475]	39.16%	37.82%	-1.35%	0.0005
(7.3500001430511475, inf]	31.72%	32.87%	1.15%	0.0004

cust_seg2 — PSI 0.0005

分栏	开发基准比例	PSI时点样本比例	变更	贡献
(-inf, 3.5]	19.04%	19.07%	0.03%	0.0000
(3.5, 4.5]	30.86%	30.50%	-0.36%	0.0000
(4.5, 5.5]	30.83%	31.77%	0.94%	0.0003
(5.5, inf]	19.28%	18.67%	-0.61%	0.0002

query_cnt_3m — PSI 0.0001

分栏	开发基准比例	PSI时点样本比例	变更	贡献
(-inf, 3.5]	47.08%	46.95%	-0.13%	0.0000
(3.5, 5.5]	27.89%	28.37%	0.48%	0.0001
(5.5, inf]	25.03%	24.68%	-0.35%	0.0001

income_grade — PSI 0.0004

分栏	开发基准比例	PSI时点样本比例	变更	贡献
(-inf, 3.5]	11.21%	10.70%	-0.51%	0.0002
(3.5, 4.5]	23.24%	23.15%	-0.09%	0.0000
(4.5, 5.5]	31.12%	31.07%	-0.05%	0.0000
(5.5, inf]	34.43%	35.08%	0.65%	0.0001

repay_amt_6m_grade — PSI 0.0007

分栏	开发基准比例	PSI时点样本比例	变更	贡献
(-inf, 3.5]	15.25%	14.83%	-0.42%	0.0001
(3.5, 4.5]	21.00%	21.75%	0.75%	0.0003
(4.5, 5.5]	27.69%	26.92%	-0.78%	0.0002
(5.5, 6.5]	21.16%	21.43%	0.27%	0.0000
(6.5, inf]	14.90%	15.07%	0.17%	0.0000

bank_997_cnt_3m — PSI 0.0010

分栏	开发基准比例	PSI时点样本比例	变更	贡献
(-inf, 0.5]	31.91%	32.48%	0.57%	0.0001
(0.5, 1.5]	34.62%	35.27%	0.65%	0.0001
(1.5, 2.5]	20.59%	20.35%	-0.24%	0.0000
(2.5, inf]	12.88%	11.90%	-0.98%	0.0008

card_usage_ratio — PSI 0.0004

分栏	开发基准比例	PSI时点样本比例	变更	贡献
(-inf, 0.107999999076128]	8.54%	8.40%	-0.14%	0.0000
(0.107999999076128, 0.3381499946117401]	33.23%	33.98%	0.75%	0.0002
(0.3381499946117401, 0.6137499809265137]	41.11%	40.27%	-0.84%	0.0002
(0.6137499809265137, 0.7716499865055084]	12.12%	12.15%	0.03%	0.0000
(0.7716499865055084, inf]	5.01%	5.20%	0.19%	0.0001

注：PSI ≤ 0.1 视为稳定，0.1~0.25 需关注，> 0.25 不稳定。

12 单变量分析

注：统计所有入模变量的单变量分析（开发样本口径）。预留验证/总体/OOT 口径的分组明细待扩展。

risk_score

组号	Value	Tot. Records	累计占比	#Goods	#Bads	Bad Rate	G/B Odds
1	(-inf, 519.5]	2555	23.66%	2414	141	5.52%	17.12
2	(519.5, 564.5]	3183	53.12%	2752	431	13.54%	6.39
3	(564.5, 600.5]	2574	76.96%	1946	628	24.40%	3.10
4	(600.5, 643.5]	1752	93.18%	1060	692	39.50%	1.53
5	(643.5, inf]	737	100.00%	281	456	61.87%	0.62
合计		10801		8453	2348	21.74%	3.60

关键结论

单调性良好：随分栏增大，Bad Rate 单调上升（5.52% → 61.87%），WOE 单调下降（0.3384 → -0.2638），符合风控分箱预期。IV=0.1880，该变量区分度尚可。

WOE 在第 2、3 箱之间穿越 0 线：前 2 箱 WOE>0（客户质量优于整体），后 3 箱 WOE<0（风险高于平均）

第 5 箱（(643.5, inf]）为极高风险区间：坏率高达 61.87%，策略上应重点管控

avg_tnr

组号	Value	Tot. Records	累计占比	#Goods	#Bads	Bad Rate	G/B Odds
1	(-inf, 2.149999976158142]	926	8.57%	474	452	48.81%	1.05
2	(2.149999976158142, 3.350000023841858]	961	17.47%	609	352	36.63%	1.73
3	(3.350000023841858, 4.450000047683716]	1258	29.12%	903	355	28.22%	2.54
4	(4.450000047683716, 7.3500001430511475]	4230	68.28%	3391	839	19.83%	4.04
5	(7.3500001430511475, inf]	3426	100.00%	3076	350	10.22%	8.79
合计		10801		8453	2348	21.74%	3.60

关键结论

单调性良好：随分栏增大，Bad Rate 单调下降（48.81% → 10.22%），WOE 单调上升（-0.2194 → 0.2859），符合风控分箱预期。IV=0.1066，该变量区分度尚可。

WOE 在第 3、4 箱之间穿越 0 线：前 3 箱 WOE>0（客户质量优于整体），后 2 箱 WOE<0（风险高于平均）

第 1 箱（(-inf, 2.149999976158142]）为极高风险区间：坏率高达 48.81%，策略上应重点管控

cust_seg2

组号	Value	Tot. Records	累计占比	#Goods	#Bads	Bad Rate	G/B Odds
1	(-inf, 3.5]	2056	19.04%	1867	189	9.19%	9.88
2	(3.5, 4.5]	3333	49.89%	2822	511	15.33%	5.52
3	(4.5, 5.5]	3330	80.72%	2505	825	24.77%	3.04
4	(5.5, inf]	2082	100.00%	1259	823	39.53%	1.53
合计		10801		8453	2348	21.74%	3.60

关键结论

单调性良好：随分栏增大，Bad Rate 单调上升（9.19% → 39.53%），WOE 单调下降（0.2166 → -0.2705），符合风控分箱预期。IV=0.1060，该变量区分度尚可。

WOE 在第 2、3 箱之间穿越 0 线：前 2 箱 WOE>0（客户质量优于整体），后 2 箱 WOE<0（风险高于平均）

第 4 箱（(5.5, inf]）为极高风险区间：坏率高达 39.53%，策略上应重点管控

query_cnt_3m

组号	Value	Tot. Records	累计占比	#Goods	#Bads	Bad Rate	G/B Odds
1	(-inf, 3.5]	5085	47.08%	3547	1538	30.25%	2.31
2	(3.5, 5.5]	3012	74.97%	2492	520	17.26%	4.79
3	(5.5, inf]	2704	100.00%	2414	290	10.72%	8.32
合计		10801		8453	2348	21.74%	3.60

关键结论

WOE 在第 1、2 箱之间穿越 0 线：前 1 箱 WOE>0（客户质量优于整体），后 2 箱 WOE<0（风险高于平均）

第 1 箱（(-inf, 3.5]）为高风险区间：坏率高达 30.25%，可作为拒绝或重点风控策略的阈值参考

income_grade

组号	Value	Tot. Records	累计占比	#Goods	#Bads	Bad Rate	G/B Odds
1	(-inf, 3.5]	1211	11.21%	743	468	38.65%	1.59
2	(3.5, 4.5]	2510	34.45%	1766	744	29.64%	2.37
3	(4.5, 5.5]	3361	65.57%	2689	672	19.99%	4.00
4	(5.5, inf]	3719	100.00%	3255	464	12.48%	7.02
合计		10801		8453	2348	21.74%	3.60

关键结论

WOE 在第 2、3 箱之间穿越 0 线：前 2 箱 WOE>0（客户质量优于整体），后 2 箱 WOE<0（风险高于平均）

第 1 箱（(-inf, 3.5]）为极高风险区间：坏率高达 38.65%，策略上应重点管控

repay_amt_6m_grade

组号	Value	Tot. Records	累计占比	#Goods	#Bads	Bad Rate	G/B Odds
1	(-inf, 3.5]	1647	15.25%	1047	600	36.43%	1.75
2	(3.5, 4.5]	2268	36.25%	1634	634	27.95%	2.58
3	(4.5, 5.5]	2991	63.94%	2384	607	20.29%	3.93
4	(5.5, 6.5]	2286	85.10%	1944	342	14.96%	5.68
5	(6.5, inf]	1609	100.00%	1444	165	10.25%	8.75
合计		10801		8453	2348	21.74%	3.60

关键结论

WOE 在第 2、3 箱之间穿越 0 线：前 2 箱 WOE>0（客户质量优于整体），后 3 箱 WOE<0（风险高于平均）

第 1 箱（(-inf, 3.5]）为极高风险区间：坏率高达 36.43%，策略上应重点管控

bank_997_cnt_3m

组号	Value	Tot. Records	累计占比	#Goods	#Bads	Bad Rate	G/B Odds
1	(-inf, 0.5]	3447	31.91%	2899	548	15.90%	5.29
2	(0.5, 1.5]	3739	66.53%	2928	811	21.69%	3.61
3	(1.5, 2.5]	2224	87.12%	1655	569	25.58%	2.91
4	(2.5, inf]	1391	100.00%	971	420	30.19%	2.31
合计		10801		8453	2348	21.74%	3.60

关键结论

WOE 在第 2、3 箱之间穿越 0 线：前 2 箱 WOE>0（客户质量优于整体），后 2 箱 WOE<0（风险高于平均）

第 4 箱（(2.5, inf]）为高风险区间：坏率高达 30.19%，可作为拒绝或重点风控策略的阈值参考

card_usage_ratio

组号	Value	Tot. Records	累计占比	#Goods	#Bads	Bad Rate	G/B Odds
1	(-inf, 0.107999999076128]	922	8.54%	854	68	7.38%	12.56
2	(0.107999999076128, 0.3381499946117401]	3589	41.76%	2904	685	19.09%	4.24
3	(0.3381499946117401, 0.6137499809265137]	4440	82.87%	3434	1006	22.66%	3.41
4	(0.6137499809265137, 0.7716499865055084]	1309	94.99%	925	384	29.34%	2.41
5	(0.7716499865055084, inf]	541	100.00%	336	205	37.89%	1.64
合计		10801		8453	2348	21.74%	3.60

关键结论

单调性良好：随分栏增大，Bad Rate 单调上升（7.38% → 37.89%），WOE 单调下降（0.1277 → -0.0844），符合风控分箱预期。IV=0.0216，该变量区分度偏弱但可用。

WOE 在第 2、3 箱之间穿越 0 线：前 2 箱 WOE>0（客户质量优于整体），后 3 箱 WOE<0（风险高于平均）

第 5 箱（(0.7716499865055084, inf]）为极高风险区间：坏率高达 37.89%，策略上应重点管控

13 压力测试

注：验证压力情境下模型的有效性和区分能力稳定性：a.坏浓度更高样本 b.时间外样本 c.特定特征客群 d.极端时间样本。当前流程自动生成情景1（跨时间样本）与情景2（跨时间样本剔除一半好样本，批注16）。

测试情景1：跨时间验证样本

变量贡献度

变量	贡献度
risk_score	0.6186
avg_tnr	0.1758
income_grade	0.0986
cust_seg2	0.0875
card_usage_ratio	0.0799
query_cnt_3m	0.0776
repay_amt_6m_grade	0.0721
bank_997_cnt_3m	0.0713

区分度验证 — LR + WOE 评分卡 @ 跨时间样本

KS = 0.3399，GINI = 0.4572

测试情景2：跨时间样本剔除一半好样本

指标	数值
样本量	6000 → 3688（剔除好样本 2312）
KS	0.3366
AUC	0.7257
GINI	0.4514

注：情景2 模拟好样本分布右移的压力情形（固定 seed=42，可复现）；剔除后 KS/AUC 下降幅度反映模型对好样本结构的敏感度。

00 模型概要信息

01 模型设计

建模数据样本窗口

模型好坏定义

样本排除规则

滚动率分析

02 数据流

开发时点 — 样本排除

总体样本概况

开发/预留验证样本交叉统计

细致变量分析（预分箱口径，开发样本）

03 单变量分析（细分箱）

04 单变量分析（粗分箱）

05 变量筛选

06 回归结果

07 VIF

VIF

相关系数（WOE 转换后，开发样本）

08 最终评分卡

09 模型表现

模型区分度评估（按样本）

LR + WOE 评分卡 — 4 样本评估表（score_cut 粒度）

开发样本（KS 0.0151，AUC 0.5057）

测试样本（KS 0.0187，AUC 0.5065）

训练+测试样本（KS 0.0099，AUC 0.5000）

跨时间验证样本（KS 0.0213，AUC 0.4975）

10 KS和GINI

LR + WOE 评分卡

开发样本

测试样本

训练+测试样本

跨时间验证样本

11 PSI

模型稳定性评估

分数段 PSI 明细（开发样本 vs 跨时间验证样本）

分数段 PSI 明细（开发样本 vs PSI时点样本）

模型样本量分布评估

变量 PSI（开发样本 vs PSI时点样本，按入模变量分箱）

12 单变量分析

13 压力测试

测试情景1：跨时间验证样本

变量贡献度

区分度验证 — LR + WOE 评分卡 @ 跨时间样本

测试情景2：跨时间样本剔除一半好样本