Credit Scoring — Chấm điểm tín dụng
Thang điểm tín dụng là phép biến đổi log-odds sang thang tuyến tính để người không làm mô hình vẫn đọc được. Đây là công thức chuẩn ngành.
Chính hàm score = 487.12 + 28.854·ln(odds) đọc ngược. Đường dốc nhất ở vùng PD quanh 50% và bẹt dần ở hai đầu: cùng 20 điểm, ở vùng điểm cao chỉ đổi vài phần nghìn PD, còn ở vùng điểm thấp đổi cả chục phần trăm.
Hạng cắt tại PD 1% / 3% / 8% / 20%, tương ứng điểm 620 / 587 / 558 / 527 trên thang này.
Đúng định nghĩa PDO: mỗi 20 điểm làm odds gấp đôi hoặc giảm một nửa. Đây là thứ duy nhất thang điểm bảo đảm — nó không bảo đảm PD đúng.
Tại điểm chuẩn odds là 50:1. Toàn bộ thang chỉ là phép nhân này lặp lại, nên hai thang khác PDO cho ra hai bộ điểm khác nhau cho cùng một mô hình.
Cả hai chỉ là hằng số biến đổi. Nếu PD gốc hiệu chuẩn sai gấp đôi thì mọi điểm ở trên lệch đúng 20 điểm — và không có gì trong bản thân thang điểm phát hiện được điều đó.
| Factor | 28.854 điểm / ln(odds) |
| Offset | 487.12 |
| Quy tắc | mỗi 20 điểm thì odds gấp đôi |
| Công thức | score = offset + factor·ln(odds) |
Chính hàm score = 487.12 + 28.854·ln(odds) đọc ngược. Đường dốc nhất ở vùng PD quanh 50% và bẹt dần ở hai đầu: cùng 20 điểm, ở vùng điểm cao chỉ đổi vài phần nghìn PD, còn ở vùng điểm thấp đổi cả chục phần trăm.
Mỗi cột cách cột bên cạnh 20 điểm, tức odds gấp đôi. Chú ý PD KHÔNG giảm một nửa theo — odds gấp đôi chỉ xấp xỉ chia đôi PD khi PD đã nhỏ; ở vùng PD lớn hiệu ứng yếu hơn nhiều.
Ranh giới hạng là các mốc PD 1% / 3% / 8% / 20% quy ngược về điểm bằng chính hàm này: 620 · 587 · 558 · 527. Chúng là quy ước xếp hạng, không phải kết quả của mô hình.
| Điểm | Odds (tốt:xấu) | PD | Hạng |
|---|---|---|---|
| 540 | 6.25 : 1 | 13.793% | D |
| 560 | 12.50 : 1 | 7.407% | C |
| 580 | 25.00 : 1 | 3.846% | C |
| 600 | 50.00 : 1 | 1.961% | B |
| 620 | 100.00 : 1 | 0.990% | A |
| 640 | 200.00 : 1 | 0.498% | A |
| 660 | 400.00 : 1 | 0.249% | A |
| 680 | 800.00 : 1 | 0.125% | A |
| Factor | 28.854 điểm / ln(odds) |
| Offset | 487.12 |
| Quy tắc | mỗi 20 điểm thì odds gấp đôi |
| Công thức | score = offset + factor·ln(odds) |
score = offset + factor·ln(odds), factor = PDO / ln 2
Đây là công thức thật mà mã nguồn chạy, không phải mô tả gần đúng.
API tại /api/v1/tools/scorecard gọi đúng hàm
này, nên kết quả trên trang và qua API không thể lệch nhau.
Chấm điểm tín dụng ước lượng xác suất một khách hàng không trả được nợ trong một khoảng thời gian xác định, thường 12 tháng. Đây là bài toán phân loại có ràng buộc đặc biệt: mô hình phải giải thích được cho cơ quan quản lý và cho chính khách hàng bị từ chối.
| Gini / AUC | khả năng phân biệt tốt–xấu; ngành thường yêu cầu Gini ≥ 0.4 |
| KS statistic | khoảng cách lớn nhất giữa hai phân phối tích luỹ |
| PSI | độ trôi phân phối; trên 0.25 là phải xây lại mô hình |
| Calibration | xác suất dự báo 5% thì thực tế có đúng 5% vỡ nợ không |
Phần quan trọng nhất của trang này. Một phương pháp được mô tả mà không nói chỗ nó hỏng là phiên bản quảng cáo của phương pháp đó.
Chưa có mô hình nào gắn riêng cho chủ đề này. Đây là những mô hình của cả ngành — liên quan ở cấp ngành, không phải cấp chủ đề.
Chấm điểm tín dụng ước lượng xác suất một khách hàng không trả được nợ trong một khoảng thời gian xác định, thường 12 tháng. Đây là bài toán phân loại có ràng buộc đặc biệt: mô hình phải giải thích được cho cơ quan quản lý và cho chính khách hàng bị từ chối.
1. Định nghĩa nhãn 'vỡ nợ' rõ ràng — thường là quá hạn 90 ngày trong cửa sổ quan sát 12 tháng. 2. Rời rạc hoá biến bằng binning và tính Weight of Evidence, giữ quan hệ đơn điệu với rủi ro. 3. Huấn luyện hồi quy logistic trên WOE; đây vẫn là chuẩn ngành vì hệ số đọc được trực tiếp. 4. Quy đổi xác suất sang thang điểm (ví dụ PDO 20 điểm gấp đôi tỷ lệ odds). 5. Kiểm tra công bằng trên các nhóm nhân khẩu trước khi triển khai.
Học từ dữ liệu chỉ gồm khách đã được duyệt. Bạn không quan sát được kết quả của những người bị từ chối, nên mô hình học trên mẫu bị cắt cụt — cần reject inference. Dùng biến đại diện cho thuộc tính được bảo vệ. Mã bưu chính có thể mã hoá sắc tộc hoặc thu nhập vùng mà không ai chủ ý. Mô hình chính xác hơn nhưng không giải thích được thường bị từ chối phê duyệt — độ chính xác không phải tiêu chí duy nhất.
Gini / AUC — khả năng phân biệt tốt–xấu; ngành thường yêu cầu Gini ≥ 0.4; KS statistic — khoảng cách lớn nhất giữa hai phân phối tích luỹ; PSI — độ trôi phân phối; trên 0.25 là phải xây lại mô hình; Calibration — xác suất dự báo 5% thì thực tế có đúng 5% vỡ nợ không.
Chưa xây dựng. Mục này hiện là điều hướng và tài liệu tham chiếu; chúng tôi không gắn nhãn 'live' cho thứ chưa chạy.