评分卡建模—拒绝推断

本篇没有代码。很早之前小编就想介绍一下拒绝推断理论，但实际上小编很少用到拒绝推断，怕匆忙写出来误导大家。本篇是在和一个领导讨论之后想梳理一下脉络才有的，此篇文章要感谢那位领导啦。

首先，大家都知道我们的 A 卡模型时建立在历史数据之上的，而很多被婉拒的用户没有被纳入到评分卡建模的数据集中，这就造成了建模数据的偏差，因此有必要利用拒绝推断来预测这些被婉拒的客户的 0-1 标签，并纳入到建模数据集中，这样就是根据 100% 的通过率数据进行建模了。

前面小编说道拒绝推断的主要目的是防止建模样本有偏，还有如下几个原因：

1. 公司内部策略的变动，导致当前的申请者已不能代表建模时点的申请者，同样，过去的被拒者也不能够代表当前的被拒者。因此，此时使用审批通过的数据进行建模可能会造成误判；

2. 增加样本数量，类似于防止样本有偏。

3. 利用拒绝推断可以找出被拒绝的好客户，挖掘这些客户，进而改善风控流程，增加公司效益。

拒绝推断可适用的范围：

1 、 高通过率时推断假设不适用，因为无论是高坏账率或者低坏账率，高通过率说明坏账率已经接近原申请样本了；

2 、中低通过率适用，配合适当的风控策略，可以找到更多的好人。

拒绝推断方法：

1. 接受所有的申请者：

此方法是找出被拒绝客户真正表现的方法，不会有太过保守或高估的坏账率。

2. 分配法：

此方法是依据每一个分数区间的好坏重新分配好坏客户，并将拒绝件分配到每一个分数区间中，以下是具体步骤：

1） 已知好坏样本，建立初步模型；

2） 使用初步模型对所有被拒绝件进行评分，并预测他们的预期违约率；

3） 将已知的好坏样本依评分分数高低进行分组，计算各分组内实际违约率；

4）