企业信用评分卡模型实战（python，附代码）

企业信用评级在全球金融领域有广泛应用。它涉及到公司管理，企业债发行，企业融资，企业上市，企业并购，个人炒股和购买公司债券等多个场景。
企业债发行
企业主体信用评级越高，意味着该企业抗风险能力、盈利能力越强，发债融资成本越低。作为企业董事会，管理者，决策者应该了解企业主要财务指标，了解自身企业评级。
企业发债时都需要评级。国内评级这块主要分为AAA、AA+、AA、AA-、A+。企业评级过低会限制某些工具的发行额度、交易场所可质押性等等
如果是评级太低，企业发行债券没人买。目前广大投资者的投资门槛是AA。
企业上市
企业上市融资时也需要信用评级。目前国内只有优质企业才能上市融资，上市牌照是很难拿的。
如果财务指标和资质不达标，则不能上市。
企业并购
企业并购是企业之间的兼并和收购行为。如果收购方不能很好了解对方企业评级，买来的企业可能是包装过的垃圾企业。
失败企业并购会让企业背上巨大债务负担。
个人炒股
个人炒股投资者如果不懂企业评级，也难以买到优质股，容易被人忽悠买到垃圾股。建议不会数据科学的人趁早离开股市和金融投资，否则可能欠下巨额债务。
如果个人通过学习机器学习模型，可以识别有价值企业，股票，债券，财富升值概率显著高于不懂模型的人。

企业信用评级模型如何搭建？企业如何才能通过信用评级? 标准普尔、穆迪，惠誉国际，中诚信等知名评级机构的评级规则如何破解？

欢迎各位同学学习python信用评分卡建模视频系列教程（附代码，博主录制）：

https://edu.csdn.net/course/detail/30611

公司管理者应该学习企业信用评级

企业主体信用评级越高，意味着该企业抗风险能力、盈利能力越强，发债融资成本越低。作为企业董事会，管理者，决策者应该了解企业主要财务指标，了解自身企业评级。

企业发债时都需要评级。
国内评级这块主要分为AAA、AA+、AA、AA-、A+。

企业评级过低会限制某些工具的发行额度、交易场所可质押性等等
如果是评级太低，企业发行债券没人买。目前广大投资者的投资门槛是AA

企业上市融资时也需要信用评级。目前国内只有优质企业才能上市融资，上市牌照是很难拿的。
如果财务指标和资质不达标，则不能上市。

个人炒股投资者如果不懂企业评级，也难以买到优质股，容易被人忽悠买到垃圾股。

企业并购是企业之间的兼并和收购行为。
如果收购方不能很好了解对方企业评级，买来的企业可能是包装过的垃圾企业。
失败企业并购会让企业背上巨大债务负担。

课程中涉及到部分城投公司

江苏城投企业建模数据部分展示

课程中Python企业评级模型的AUC高于0.94，f1分数高达0.8，模型综合性能卓越

国内外知名评级公司包括：标准普尔、穆迪，惠誉国际，中诚信等公司。这些知名评级机构业务繁多，主要是通过自动化模型评级为主，人工审核为辅。

既然评级公司用模型评级，我们也可以用模型来逆向破解评级公司的规则。

机器学习模型可以逆向破解评级机构规则，让企业参加评级时把重要时间和精力放在评级机构关注指标上，显著提高高评级通过率。

课程目录

章节1前言
课时1课程概述（必看）
课时2python金融风控评分卡模型和数据分析微专业课介绍（必看）
课时3欢迎项目合作

章节2python编程环境搭建
课时4风控建模语言，python，R，SAS优劣对比
课时5Anaconda快速入门指南
课时6Anaconda下载安装
课时7canopy下载和安装
课时8Anaconda Navigator导航器
课时9Anaconda安装不同版本python

章节3python安装包
课时10python第三方包安装(pip和conda install)
课时11Python非官方扩展包下载地址
课时12pip install --user --upgrade package升级包
课时13pip install失败报错五种解决方案

章节4Jupiter Notebook概述
课时14为什么使用jupyter notebook及如何安装
课时15如何用jupyter notebook打开指定文件夹内容？
课时16jupyter基本文本编辑操作
课时17jupyter生成在线PPT汇报文档
课时18jupyter notebook用matplotlib不显示图片解决方案

章节5 python编程基础知识
课时14 Python文件基本操作
课时15 变量_表达式_运算符_值
课时16 字符串string
课时17 列表list
课时18 程序的基本构架（条件，循环）
课时19 数据类型_函数_面向对象编程
课时20 python2和3的区别
课时21 编程技巧和学习方法

章节6 python机器学习基础
课时22 UCI机器学习常用数据库介绍
课时23 机器学习书籍推荐
课时24 如何选择算法
课时25 机器学习语法速查表
课时26 python数据科学常用的库
课时27 python数据科学入门介绍(选修)

章节7 德国信用评分数据下载和介绍
课时28 35德国信用评分数据下载和介绍

章节8 信用评分卡开发流程（上）
课时29 评分卡开发流程概述
课时30 第一步：数据收集
课时31 第二步：数据准备
课时32 变量可视化分析
课时33 样本量需要多少？
课时34 坏客户定义
课时35 第三步：变量筛选
课时36 变量重要性评估_iv和信息增益混合方法
课时37 衍生变量05:01
课时38 第四步：变量分箱01:38

章节9 信用评分卡开发流程（下）
课时39 第五步：建立逻辑回归模型
课时40 odds赔率
课时41 woe计算
课时42 变量系数
课时43 A和B计算
课时44 Excel手动计算坏客户概率
课时45 Python脚本计算坏客户概率
课时46 客户评分
课时47 评分卡诞生-变量分数计算
课时48 拒绝演绎reject inference
课时49 第六步：模型验证
课时50 第七步：模型部署
课时51 常见模型部署问题

章节10 模型开发基础知识python脚本讲解
课时61数据读取read_excel和read_csv
课时62数据划分train_test_split
课时63LogisticRegression()模型构建和训练fit()
课时64模型预测predict和predict_proba区别
课时65模型验证的python脚本讲解
课时66pickle保存模型包

章节11 Python信用评分卡-逻辑回归脚本
课时52 Python信用评分卡脚本运行演示
课时53 描述性统计脚本_缺失率和共线性分析
课时54 woe脚本(kmean分箱)
课时55 iv计算独家脚本
课时56 Excel手动推导变量woe和iv值
课时57 评分卡脚本1（sklearn）
课时58 评分卡脚本2（statsmodel）
课时59 生成评分卡脚本
课时60 模型验证脚本

章节12 PSI(population stability index)稳定指标
课时61 拿破仑远征欧洲失败/华尔街股灾真凶-PSI模型稳定指标揭秘
课时62 excel推导PSI的计算公式
课时63 PSI计算公式原理_独家秘密
课时64 PSI的python脚本讲解

章节13 难点1_坏客户定义
课时65 坏客户定义错误，全盘皆输
课时66 不同场景坏客户定义不一样，坏客户定义具有反复性
课时67 坏客户占比不能太低
课时68 vintage源于葡萄酒酿造
课时69 vintage用于授信策略优化

章节14 难点2_woe分箱
课时70 ln对数函数
课时71 excel手动计算woe值
课时72 python计算woe脚本
课时73 Iv计算推导
课时74 woe正负符号意义
课时75 WOE计算就这么简单？你想多了
课时76 Kmean算法原理
课时77 python kmean实现粗分箱脚本
课时78 自动化比较变量不同分箱的iv值
课时79 woe分箱第三方包脚本

章节15 难点3_逻辑回归是最佳算法吗？
课时80 逻辑回归是最优算法吗？No
课时81 xgboost_支持脚本下载
课时82 随机森林randomForest_支持脚本下载
课时83 支持向量SVM_支持脚本下载
课时84 神经网络neural network_支持脚本下载
课时85 多算法比较重要性_模型竞赛，百万奖金任你拿

章节16 难点4_变量缺失数据处理
课时86 imputer-缺失数据处理
课时87 xgboost简单处理缺失数据
课时88 catboost处理缺失数据最简单

章节17 难点5.模型验证
课时89 模型需要验证码？
课时90 商业银行资本管理办法(试行)
课时91 模型验证_信用风险内部评级体系监管要求
课时92 模型验证主要指标概述
课时93 交叉验证cross validation
课时94 groupby分类统计函数
课时95 KS_模型区分能力指标
课时96 混淆矩阵（accuracy,precision，recall，f1 score）
新增课时模型排序能力-lift提升图

章节18 难点6.逻辑回归调参
课时97 菜鸟也能轻松调参
课时98 调参1_Penalty正则化选择参数
课时99 调参2_classWeight类别权重
课时100 调参3_solver优化算法选择参数
课时101 调参4_n_jobs
课时102 L-BFGS算法演化历史
课时103 次要参数一览

章节19难点7_非平衡样本数据imbalanced data
课时123非平衡数据是什么？对模型有什么坏处？
课时124解决非平衡数据方法（欠采样，过采样，SMOTE）
课时125SMOTE非平衡数据处理python脚本讲解

章节20 风控管理和诈骗中介（选修）
课时104 网络信贷发展史
课时105 诈骗中介
课时106 风控管理
课时107 告别套路贷，高利贷，选择正确贷款方式

章节21 2018-2019消费金融市场行情
课时108 揭秘：近年消费金融火爆发展根本原因
课时109 持牌照消费金融公司盈利排行榜
课时110 消费金融，风控技术是瓶颈
课时111 谁能笑到最后：2018-2019消费金融公司注册资本
课时112 萝卜加大棒：中央政策监管趋势独家预测
课时113 信用是金融交易的基石_P2P倒闭潮秘密

章节22 2018-2019年全球宏观经济
课时114 专家不会告诉你的秘密：美元和黄金真实关系
课时115 宏观经济主要指标：债务率和失业率
课时116 2019年中国宏观经济分析_赠人民银行发布2018n年中国金融稳定报告
课时117 2019年G20国家宏观经济信息汇总_供下载
课时118 全球系统金融风险
课时119 基尼系数_贫富差异指标
课时120 GDP_利率_通货膨胀
课时121 失业率_债务率
课时122 贸易差额_中美贸易战根本原因
课时123 信用评级_阿根廷金融危机独家解读

章节23 企业信用评分卡模型实战（python，基于真实江苏城投公司数据）
课时148描述性统计和缺失值处理
课时149woe第三方包分箱原理和主要语法
课时150python脚本woe分箱整体演示
课时151用woe数据生成模型包
课时152AUC大于0.9-模型验证效果非常好
课时153踢除高相关性变量后建模，模型性能有何变化？
课时154最小分箱数量调参测试
课时155逆向工程-破解评级机构秘密
课时156AAA评级企业
课时157AA＋评级企业
课时158AA评级企业
课时159国内评级机构业务统计数据
课时160中诚信国际信用评级有限公司股权穿越图

章节24附录
课时121风控逾期指标字典
课时122金融风控术语中英文字典

评分卡开发流程

本课程通俗易懂，深度解析评分卡模型的各个细节，犹如庖丁解牛，各个击破。

课程会横向讲解评分卡模型是如何一步一步搭建的。

数学原理

课程还会讲述逻辑回归的信用评分卡搭建背后的算法原理，数学公式。

取数

课程教会学员如何取数，什么是vintage？什么是样本窗口期？

变量筛选

课程教授如何筛选变量，如何构建衍生变量。

课程提供python脚本和数据下载

课程提供视频中展示脚本和建模数据，并定期更新优化。学员可以下载后跟着视频一起演练。

模型运行后输出详细信息，包括变量的统计分析。

评分卡生成（score card）

python脚本可以生成一个评分卡模块（score card），详细保存每个变量有哪些分箱，每个分箱如何计分。这方便业务方和领导参考决策。

拒绝推断reject reference

课程讲述了拒绝推断reject reference重要概念

模型验证

课程还讲述模型验证的概念，建模数据需要分为train训练数据，test测试数据，oot更远时间段验证数据。此教程是市面上最全面讲述评分卡教程。

(模型验证的部分指标展示)

（模型验证方法论）

模型部署和监控

此教程还概述模型部署和监控知识。模型部署是存在众多问题的，模型具有操作风险，经常会遇到模型线上线下数据不一致情况，变量映射错误，数据传输丢包，脚本漏写等等各种复杂情况。

从模型训练，模型打包，模型验证，模型部署，模型监控，重新训练模型，最终形成了一个模型开发周期闭环。

（模型开发周期流程图）

python部分建模脚本展示

randomForest.py

# -*- coding: utf-8 -*-
"""
博主python金融风控评分卡模型和数据分析微专业课：
https://edu.csdn.net/combo/detail/1927"""
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_splittrees=1000
#读取文件
readFileName="data.xlsx"
#读取excel
df=pd.read_excel(readFileName)
list_columns=list(df.columns[:-1])
X=df.ix[:,:-1]
y=df.ix[:,-1]
names=X.columns
x_train,x_test,y_train,y_test=train_test_split(X,y,random_state=0)
#n_estimators表示树的个数，测试中100颗树足够
forest=RandomForestClassifier(n_estimators=trees,random_state=0)
forest.fit(x_train,y_train)
print("random forest with %d trees:"%trees)
print("accuracy on the training subset:{:.3f}".format(forest.score(x_train,y_train)))
print("accuracy on the test subset:{:.3f}".format(forest.score(x_test,y_test)))
print('Feature importances:{}'.format(forest.feature_importances_))
n_features=X.shape[1]
plt.barh(range(n_features),forest.feature_importances_,align='center')
plt.yticks(np.arange(n_features),names)
plt.title("random forest with %d trees:"%trees)
plt.xlabel('Feature Importance')
plt.ylabel('Feature')
plt.show()

决策树可视化