背景传统信贷风控依赖央行征信报告但有两类人群被排除在外1.信用白户— 无信贷记录或记录极其稀薄的人群应届毕业生、自由职业者、农村人口2.新市民— 刚迁入城市的流动人口如何评估这些人的信用风险答案是替代数据驱动评估范式——从运营商消费、公共缴费、线上消费、政务履约、小额经营等非传统维度提取行为信号用机器学习模型量化信用风险。本文介绍 CreditGuard V1.0 的设计与实现一个面向信用白户的桌面端信贷风险辅助评估工具。## 技术架构### 核心流程历史数据(Excel/CSV) → 特征工程 → WOE编码 → IV值筛选 → L1正则化 → GridSearchCV超参数搜索 → 逻辑回归模型 ↓单用户评估9项特征填写 → 模型预测 → 信用评分(0-100) → 风险等级(低/中/高)批量评估Excel上传 → 批量预测 → 结果导出### 技术栈- Python 3.8- CustomTkinterGUI- scikit-learn模型- pandas数据- matplotlib可视化## 特征工程### 9 维替代数据特征覆盖 5 个非传统维度| 维度 | 特征 | 说明 ||------|------|------|| 运营商消费 | 月均话费 | 消费稳定性信号 || 公共缴费 | 水电燃气缴费及时率 | 履约意愿信号 || 线上消费 | 电商月均消费额、消费品类多样性 | 消费能力与稳定性 || 政务履约 | 社保连续缴纳月数、纳税记录 | 职业稳定性 || 小额经营 | 微店/摆摊月均收入 | 经营能力 |### WOE 编码WOEWeight of Evidence是金融风控中标准的类别变量编码方法将每个分箱的好样本占比 vs 坏样本占比转化为对数几率pythondef woe_encode(df, col, target): WOE编码将类别变量转化为对数几率 woe_map {} for category in df[col].unique(): good len(df[(df[col] category) (target 0)]) bad len(df[(df[col] category) (target 1)]) # 拉普拉斯平滑避免除零 woe np.log((good 0.5) / (bad 0.5)) woe_map[category] woe return df[col].map(woe_map)### IV 值筛选IVInformation Value衡量特征的预测能力金融风控中的标准筛选指标| IV 值范围 | 预测能力 ||-----------|----------|| 0.02 | 几乎无 || 0.02-0.1 | 弱 || 0.1-0.3 | 中等 || 0.3 | 强 |pythondef information_value(df, col, target): 计算特征的IV值 iv 0 for category in df[col].unique(): good len(df[(df[col] category) (target 0)]) / good_total bad len(df[(df[col] category) (target 1)]) / bad_total iv (good - bad) * np.log((good 0.5) / (bad 0.5)) return iv只保留 IV 0.1 的特征进入模型减少噪声。## 模型训练### L1 正则化 GridSearchCV逻辑回归是金融风控的标配——完全可解释权重系数直接反映特征重要性。L1 正则化自动做特征选择稀疏化GridSearchCV 搜索最优超参数pythonfrom sklearn.linear_model import LogisticRegressionfrom sklearn.model_selection import GridSearchCVparam_grid { C: [0.01, 0.1, 1, 10, 100], penalty: [l1], solver: [liblinear],}grid GridSearchCV( LogisticRegression(), param_grid, cv5, scoringroc_auc,)grid.fit(X_train, y_train)best_model grid.best_estimator_print(f最优 C {grid.best_params_[C]})print(fAUC {grid.best_score_:.4f})### SafeLabelEncoder处理未见过的新标签是部署时的常见问题。标准LabelEncoder遇到新标签会抛异常导致整个预测崩溃pythonclass SafeLabelEncoder: 对未见过标签返回-1不抛异常 def __init__(self): self.classes_ [] def fit(self, labels): self.classes_ list(set(labels)) return self def transform(self, labels): result [] for label in labels: if label in self.classes_: result.append(self.classes_.index(label)) else: result.append(-1) # 未见标签返回-1 return np.array(result)## 信用评分### 标准化评分公式将模型输出的概率转化为 0-100 的标准化信用评分pythondef to_score(prob_good): 概率 → 标准化评分 Score 60 20 × ln(odds_good) odds_good prob_good / (1 - prob_good) prob_good np.clip(prob_good, 0.001, 0.999) odds_good prob_good / (1 - prob_good) score 60 20 * np.log(odds_good) return np.clip(score, 0, 100)### 三级风险等级| 评分 | 等级 | 建议 ||------|------|------|| ≥ 75 | 低风险 | 建议通过 || 50-74 | 中风险 | 建议人工复审 || 50 | 高风险 | 建议拒绝 |## GUI 设计基于 CustomTkinter 实现现代化深色主题界面-模型训练页上传数据 → 训练进度条 → AUC/混淆矩阵展示-单用户评估页9 项特征表单 → 实时评分 → 风险等级-批量评估页Excel 上传 → 批量预测 → 结果导出-数据看板页训练数据分布可视化 模型性能展示## 技术特点1.可解释性优先— 逻辑回归权重系数可直接解读满足金融风控合规审计要求2.替代数据驱动— 覆盖传统征信体系之外的信用白户人群3.自动化特征工程— WOE 编码 IV 值筛选 L1 正则化 GridSearchCV 四步组合优化4.标准化评分输出— 0-100 分对应三级风险业务侧直接可用5.输入鲁棒性— SafeLabelEncoder 对新标签返回 -1 不崩溃## 局限与改进V1.0 是基于传统机器学习的方案。后续 V1.1 转向 LLM 实验能力探索大模型在信贷风控场景的评估能力边界与逻辑回归基线对比。## 总结CreditGuard V1.0 实现了从替代数据到信用评分的完整链路WOE 编码 IV 筛选做特征工程L1 正则化逻辑回归做模型标准化评分公式做输出。核心价值在于可解释性——每一步都可以向审计人员解释为什么这个人的评分是 65 分。代码已开源github.com/lkq-dyq/CreditGuard-V1.0