银行信贷风控模型监控

五、模型评分卡（Champion v1 · 整数分值 · 人读版）

ⓘ 评分卡来源：冻结配置 scorecard/05_final_integer_scorecard.csv（Champion v1，共 47 行：1 行常数项 + 46 行变量组）。打分前置条件：先执行 02_reject_rules.csv 的 5 项硬拒绝规则（OR 合并），命中任一即拒绝、不进入评分卡；仅对非拒绝样本评分。每个非拒绝样本的每个变量必须且只能命中一个分组；缺失、非法或越域取值应报校验错误，不得静默填箱。最终信用分截断在 1–1000，高分代表低风险；分数不是违约概率，不得除以 1000 当作 PD。

基础分（常数项）

1393

credit_score = clip( 1393 + Σ 十个变量各自命中组的 score_points , 1, 1000 ) 高分 = 低风险；每个变量只命中一组，各变量得分直接累加，不再乘组号

（一）变量总览（十个评分变量）

序号	变量名	中文含义	分组数	每组扣分步长
1	credit_query_times	近6个月被金融机构查询征信报告的次数	5	-37
2	multi_loan_count	当前在各金融机构未结清的贷款笔数	5	-43
3	overdue_history	征信报告近5年内历史逾期总次数	6	-42
4	max_overdue_days	历史逾期记录中最长一次逾期天数	7	-42
5	social_score	基于社交关系网络评估的信用分，范围[300,900]	5	-31
6	telecom_score	基于运营商数据的信用评分，范围[0,100]	3	-28
7	ecomm_risk_score	基于电商消费行为的风险评分，范围[0,100]	4	-17
8	judicial_risk_score	基于法院公开信息等评估的司法风险评分，范围[0,100]	4	-36
9	reg_to_apply_days	从注册到提交贷款申请间隔的天数	5	-39
10	gps_anomaly	GPS异常标记：0=正常，1=异常	2	-78

（二）分变量评分明细（背景色越深 = 扣分越多 = 风险越高）

变量 1：credit_query_times　近6个月被金融机构查询征信报告的次数共 5 组 · 每组步长 -37 分

风险组（组号越大风险越高）	分组条件	得分 score_points
1	`0 <= credit_query_times <= 4`	-37
2	`5 <= credit_query_times <= 6`	-74
3	`credit_query_times == 7`	-111
4	`credit_query_times == 8`	-148
5	`credit_query_times >= 9`	-185

变量 2：multi_loan_count　当前在各金融机构未结清的贷款笔数共 5 组 · 每组步长 -43 分

风险组（组号越大风险越高）	分组条件	得分 score_points
1	`0 <= multi_loan_count <= 2`	-43
2	`3 <= multi_loan_count <= 5`	-86
3	`6 <= multi_loan_count <= 7`	-129
4	`multi_loan_count == 8`	-172
5	`multi_loan_count >= 9`	-215

变量 3：overdue_history　征信报告近5年内历史逾期总次数共 6 组 · 每组步长 -42 分

风险组（组号越大风险越高）	分组条件	得分 score_points
1	`0 <= overdue_history <= 1`	-42
2	`overdue_history == 2`	-84
3	`overdue_history == 3`	-126
4	`overdue_history == 4`	-168
5	`overdue_history == 5`	-210
6	`6 <= overdue_history < 9`	-252

变量 4：max_overdue_days　历史逾期记录中最长一次逾期天数共 7 组 · 每组步长 -42 分

风险组（组号越大风险越高）	分组条件	得分 score_points
1	`0 <= max_overdue_days <= 3`	-42
2	`4 <= max_overdue_days <= 5`	-84
3	`6 <= max_overdue_days <= 8`	-126
4	`9 <= max_overdue_days <= 11`	-168
5	`12 <= max_overdue_days <= 13`	-210
6	`14 <= max_overdue_days <= 18`	-252
7	`19 <= max_overdue_days < 28`	-294

变量 5：social_score　基于社交关系网络评估的信用分，范围[300,900] 共 5 组 · 每组步长 -31 分

风险组（组号越大风险越高）	分组条件	得分 score_points
1	`673.63 < social_score <= 900`	-31
2	`541.72 < social_score <= 673.63`	-62
3	`485.64 < social_score <= 541.72`	-93
4	`418.78 < social_score <= 485.64`	-124
5	`300 <= social_score <= 418.78`	-155

变量 6：telecom_score　基于运营商数据的信用评分，范围[0,100] 共 3 组 · 每组步长 -28 分

风险组（组号越大风险越高）	分组条件	得分 score_points
1	`56.07 < telecom_score <= 100`	-28
2	`35.5 < telecom_score <= 56.07`	-56
3	`0 <= telecom_score <= 35.5`	-84

变量 7：ecomm_risk_score　基于电商消费行为的风险评分，范围[0,100] 共 4 组 · 每组步长 -17 分

风险组（组号越大风险越高）	分组条件	得分 score_points
1	`48.21 < ecomm_risk_score <= 100`	-17
2	`37.02 < ecomm_risk_score <= 48.21`	-34
3	`22.56 < ecomm_risk_score <= 37.02`	-51
4	`0 <= ecomm_risk_score <= 22.56`	-68

变量 8：judicial_risk_score　基于法院公开信息等评估的司法风险评分，范围[0,100] 共 4 组 · 每组步长 -36 分

风险组（组号越大风险越高）	分组条件	得分 score_points
1	`0 <= judicial_risk_score <= 32.95`	-36
2	`32.95 < judicial_risk_score <= 41.815`	-72
3	`41.815 < judicial_risk_score <= 49.19`	-108
4	`49.19 < judicial_risk_score <= 100`	-144

变量 9：reg_to_apply_days　从注册到提交贷款申请间隔的天数共 5 组 · 每组步长 -39 分

风险组（组号越大风险越高）	分组条件	得分 score_points
1	`reg_to_apply_days >= 12`	-39
2	`5 <= reg_to_apply_days <= 11`	-78
3	`3 <= reg_to_apply_days <= 4`	-117
4	`1 <= reg_to_apply_days <= 2`	-156
5	`reg_to_apply_days == 0`	-195

变量 10：gps_anomaly　GPS异常标记：0=正常，1=异常共 2 组 · 每组步长 -78 分

风险组（组号越大风险越高）	分组条件	得分 score_points
1	`gps_anomaly == 0`	-78
2	`gps_anomaly == 1`	-156

银行信贷风控模型监控报告

（一）变量总览（十个评分变量）

（二）分变量评分明细（背景色越深 = 扣分越多 = 风险越高）