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 WOE -> IV -> Logistic -> Scaling 的行业标准固化,避免人工编码错误。

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 …
— 以上为试看内容(约 40%),开通会员后阅读全文 —