哈喽大家好，我是小叶。

今天想跟大家聊聊信用风险管理里的“基本功”。如果你在银行风控部门，你一定听过这几个字母缩写：PD、LGD、EAD。

作为一个上财在读、又爱撸码的小程序媛，我刚入行的时候觉得：这些不就是几个乘法公式吗？有什么好学的？
直到我真正去参与了一个信用评分卡（Scorecard）的建模过程，我才发现：这些指标里藏着对人性和风险最深刻的博弈。

1. PD、LGD、EAD：风险的三个维度

课本上的公式很简单：EL = PD * LGD * EAD（预期损失 = 违约概率 * 违约损失率 * 违约风险暴露）。
但我现在的理解是：

  • PD（违约概率）：他会不会跑路？这是对还款意愿和还款能力的判断。
  • LGD（违约损失率）：如果他跑了，我能追回多少？这是对抵押品和追偿能力的判断。
  • EAD（违约风险暴露）：他跑的那一刻，欠了我多少钱？这通常取决于额度管理。

我的反思：
很多模型只盯着 PD 看，觉得只要预测准了谁会违约就万事大吉。但在真实的银行业务里，一个大额订单的违约，抵得上几千个小额订单的正常还款。如果你不把 LGD 和 EAD 考虑进去，你的风控策略就是“捡了芝麻丢了西瓜”。

2. 🛠️ 实战笔记：WOE 与 IV 的“艺术”

在建立评分卡模型（通常是逻辑回归 LR）之前，我们必须做特征处理。这时候，WOE（证据权重） 和 IV（信息价值） 就派上用场了。

  • WOE 分箱（Binning）：这是要把连续的特征（比如年龄、收入）切成一段一段的。
  • IV 筛选：如果一个因子的 IV 小于 0.02，说明它几乎没有预测能力，直接丢掉。

我的避坑指南：
我以前追求极致的 IV，结果把分箱切得特别细。结果模型上线后，出现了严重的**“单调性违背”**。
比如：理论上收入越高违约率越低，但我切出来的分箱显示，月薪 10 万的人违约率比月薪 5 万的人还高。这显然是过拟合。
我现在学会了：分箱必须符合金融逻辑。如果趋势不单调，宁可合并分箱，牺牲一点 IV，也要保证模型的鲁棒性。

3. 给同行的一点真心话

现在大家都在谈论大数据风控，觉得特征越多越好。
但我发现，在传统的评分卡模型里，真正起决定作用的往往只有那 10-15 个核心因子：你的逾期历史、你的资产负债率、你的收入水平。

我的感悟：
评分卡不仅仅是模型，它是一种决策逻辑。它的美感在于它的简洁和可解释。每一个分数背后，都对应着一个活生生的人。如果你不能理解这些因子背后的业务含义，那你只是一个调参的“机器”，而不是一个风险管理者。

4. 碎碎念

其实，做风控的人都有点“守门员”的执着。我们要在繁杂的数据里，寻找那些真正能代表信用风险的微弱信号。

最近我在研究如何把“心理学特征”引入评分卡。发现一个人的社交稳定性和消费习惯，往往比他的收入更能预测他的违约倾向。等我收集到了足够多的实证数据，再来跟大家复盘。

合规提醒：本文内容仅为个人学习心得分享。信贷决策需严格遵循国家法律法规及各行风控政策。