从Agent Skills到下一代智能风控中台
继续学习 Agent Skills,尝试将银行业标准的信用评分卡开发流程(WOE/IV 分析、逻辑回归建模、分数刻度化)封装为确定性的计算模块,期望能够赋予 AI “风控建模顾问” 的专业能力。总的来说,这是一个让 AI 变身为风控建模专家的技能,能够快速、规范地输出一份可以直接用于银行业务的信用评分卡。
Credit Scorecard Skills简介
这是一个用于构建银行级专业信用评分卡的封装工具,实现了从数据审计到评分卡生成的完整流水线(Pipeline)。
全流程建模:一键完成
数据审计->特征工程->模型训练->评分卡刻度化。数据审计 (EDA):自动检查缺失值、唯一值,并执行坏样本率 (Bad Rate) 分析。
特征工程:
自动分箱:对数值变量进行分位数分箱 (Quantile Binning)。
WoE 转换:计算证据权重 (Weight of Evidence),将非线性特征转换为线性形式。
IV 计算:计算信息价值 (Information Value) 以量化特征预测力。
模型训练:基于 WoE 特征训练逻辑回归 (Logistic Regression) 模型。
评分卡刻度化 (Scaling):将复杂的模型系数转换为业务友好的分数(例如:基准分 600 分,PDO 20 分)。
适合谁用?
信用风险分析师 / 数据科学家:构建传统 A卡/B卡 模型。
银行 / 金融科技从业者:涉及信贷审批与风控策略制定。
监管合规需求方:需要高度可解释性(白盒模型)而非黑盒算法的场景。
应用场景
✅ 申请评分卡 (A-Score):评估新客贷款风险。
✅ 行为评分卡 (B-Score):评估存量客户信用变化。
✅ 数据质量评估:通过 IV 值快速判断数据源价值。
✅ 监管合规:满足巴塞尔协议等对模型解释性的要求。
核心价值
维度 | 带来的变化 |
|---|---|
标准化 | 将 |
可解释性 | 将抽象的概率(Probability)转化为直观的信用分(Score),业务人员零门槛理解。 |
效率提升 | 自动化繁琐的分箱、编码与筛选过程。 |
专家视角 | 内置“高级顾问”人设,主动解释 WHY,提示过拟合风险,解读 IV 值含义。 |
开发与更新指南
主要涉及修改其配置文件 SKILL.md 和核心逻辑代码 scripts/scorecard_pipeline.py。以下是具体的更新方法,您可以根据需求选择:
1、更新功能逻辑
如果需要修改算法或输出格式,请直接编辑脚本。
场景 A:修改分箱逻辑
目前的 fit 方法使用 pd.qcut (等频分箱)。若需优化 IV 值,可改为卡方分箱或决策树分箱。
# 示例:将最大箱数从 5 改为 10,并处理重复值df[f"{col}_bin"] = pd.qcut( df[col], q=min(10, df[col].nunique()), duplicates='drop').astype(str)场景 B:调整特征筛选阈值
当前默认筛选 IV > 0.02 的特征。提高阈值可构建更精简的模型。
# 源代码第 73 行附近if iv_value > 0.05: # 将 0.02 修改为 …