信贷风控实战：从数据清洗到风险定价的完整建模流程

简介：2020年全国大学生数学建模竞赛C题“中小微企业信贷决策”实践资料包，包含可编辑Word论文与MATLAB源代码，面向参赛学生、毕业设计者及金融数据分析学习者，系统展示基于统计建模解决企业信贷风险评估的完整流程。压缩包共160个文件，总大小约248.35MB，涵盖xlsx企业数据表、txt说明文件、m源码、csv数据集、docx文档及jpg/png图表；文件类型覆盖原始数据、特征处理结果、模型代码与可视化输出，便于按需查阅。已有663人学习下载。论文部分围绕信息不对称、风险高、信用评估难等小微信贷特点，详述数据预处理（缺失值/异常值处理、清洗）、特征工程以及线性回归、决策树等模型的构建与交叉验证；MATLAB代码则对应实现数据导入、建模、训练、测试等模块，读者可对照论文复现，并结合各类图表直观理解模型预测效果与实际数据的差异。整体上，这套资料将理论与实战结合，是理解数学建模在金融风控中落地应用的高价值案例。

1. 把中小微企业信贷决策C题拆成四份：数据、评分、定价、检验

拿到这份2020年数学建模竞赛C题资源包时，第一反应不是「这是一份论文」，而是一整套可以落地复现的中小微企业信贷决策流程。赛题给了一百多家企业的进销项发票、纳税申报和历史信贷记录，要回答三个问题：哪些企业该放贷、额度给多少、利率怎么定。看得多了会发现，这道题表面是数据分析，内核其实是银行信贷审批里的风险定价。这份资源适合两类人：一类是准备参赛拿高分的学生，另一类是想用真实赛题练手信贷风控建模的从业者。我习惯把这类题拆成四步解：洗干净数据画像、给企业打信用分、把分数折算成额度和利率、最后做稳健性检验。下面按这个顺序，把每个环节的参数选择和踩坑点讲透。

2. 数据清洗与特征工程：从进销项发票到企业信贷画像

2.1 先想清楚企业拿什么还钱，再动手写 groupby

信贷决策的风险来源拆开只有两件事：企业还不起钱是能力问题，不想还钱是意愿问题。能力看经营流水，意愿看历史违约记录。所以特征工程的每一列都得服务于这两件事之一。我一般先算三个方向的特征：经营规模，比如销项金额、进项金额、税额；经营稳定性，比如连续活跃月份数、收入波动幅度；还有申报与发票的偏离度，用纳税申报收入比上发票销项收入，偏离越大越可疑。

这三个方向不是拍脑袋定的，它们分别对应风险敞口和违约概率这两个核心变量。如果连经营规模都算不准，后面的评分模型再精细也是空中楼阁。C题的数据通常把发票明细和企业信息分成多个表，第一步一定是做聚合而不是直接建模。很多队伍急着上模型，结果特征表里全是缺失值，回头补数据的成本远高于一次仔细的清洗。

2.2 主线代码：一版够用的企业信用画像构建

下面这版代码是这类赛题里最常见的骨架，字段名换成自己的数据后就能跑通。

import pandas as pd import numpy as np def build_credit_profile(invoice, sales_report): # 字段假设：ent_id 企业ID，direction 进项/销项，amount 金额，tax 税额，date 开票日期 df = invoice.copy() df["month"] = pd.to_datetime(df["date"]).dt.to_period("M") # 按企业、方向、月份三层聚合 agg = df.groupby(["ent_id", "direction", "month"]).agg( amount_sum=("amount", "sum"), invoice_cnt=("amount", "count"), tax_sum=("tax", "sum"), ).reset_index() # 销项收入按月转成宽表，后续特征都基于它 out = agg[agg["direction"] == "out"].pivot_table( index="ent_id", columns="month", values="amount_sum", aggfunc="sum" ) # 只取最近6个月，避免用未来的数据倒退特征 recent = out.iloc[:, -6:] profile = pd.DataFrame(index=out.index) profile["active_months"] = recent.notna().sum(axis=1) profile["sales_ma3"] = out.ffill(axis=1).rolling(3, axis=1).mean(axis=1).iloc[:, -1] profile["sales_std"] = recent.std(axis=1).fillna(0) profile["sales_total"] = recent.sum(axis=1).fillna(0) # 实际税负率：销项发票里的税金占比 out_tax = agg[agg["direction"] == "out"].groupby("ent_id")["tax_sum"].sum() profile["tax_rate"] = (out_tax / profile["sales_total"]).replace([np.inf, -np.inf], np.nan) # 申报收入与发票销项收入的比值，偏离过大的企业标记出来 merged = profile.merge(sales_report, on="ent_id", how="left") merged["declared_vs_invoice"] = merged["declared_revenue"] / (merged["sales_total"] + 1e-6) return merged

需要说明的参数选择：

• 窗口为什么取3个月和6个月：3个月平滑短期波动，6个月覆盖一个季度账期加上缓冲。窗口太短会把季节性波动误判成经营下滑，太长又会抹掉新企业的成长曲线。
• 缺失值用 ffill 而不是 dropna：老企业某月没开票可能只是结算周期问题，新企业成立晚则天然缺数据。直接把缺失行删掉，等于把新企业全踢出局。前向填充能保住宽表的完整性。
• 税负率单独拿出来讲，这在信贷圈子里有点玄学成分，但风控确实在看这个指标。税负率异常低的企业，要么在偷漏税，要么收入是虚的，后续评分时要给它降档。

2.3 时间对齐和发票口径：两个能毁掉整张表的细节

第一个坑是时间。不同企业的数据起止时间往往不一样，直接用全时段汇总做特征，成立时间长的企业天然占优势。常见做法是给每家企业设一个统一的预测截止日，特征窗口都从截止日往前推固定长度。我一般会额外写一个时间对齐函数，把所有企业的数据截到同一个日期，避免有的企业多看半年、有的少看半年。

第二个坑是发票口径。作废票、红冲发票在明细里可能表现为负数或特殊状态，清洗时一定要过滤。拿到的原始表里如果这些票混在正常销项里，销项收入会被重复计算，税负率也跟着失真。建议在构建特征前先做一次完整性核对：

还有一个容易忽略的点：把企业按数据活跃期分成两桶，不足6个月的新企业单独处理。它们的特征只能用「近3个月是否有进项」「最近开票距今多少天」这类比率指标，直接用月度均值会和老企业混在一起，导致新企业评分全部偏低。这个小改动往往能把评分尾部表现拉回来不少。

2.4 用三五家企业做人工核对

特征工程做完别急着喂模型。我每次都会随机抽三到五家企业，把它们的原始流水和特征值逐行核对一遍：销项收入加总是否对得上，连续活跃月份是否合理，申报比对值有没有出现离谱的百倍量级。这一步看着土，但抓出来的问题比任何自动化检查都多。有一次我发现某家企业的进项税额比销项税额还大，查下来是发票状态没过滤干净，红冲票混了进来，修正之后税负率特征才恢复正常。这种错误如果带到模型里，最后论文结论都是错的。

3. 信用评分建模：为什么这类题要放弃精确度、只追区分度

3.1 准确率在这道题里没有意义

先泼一盆冷水：如果只看准确率，一个「全都不违约」的预测器能拿到接近九成的分数。这道题违约样本占比很小，模型天然面临严重的类别不均衡，所以评判标准不是预测准不准，而是能不能把违约企业和正常企业的分数拉开。评分模型输出的是一列连续分数而不是二分类标签，区分度足够高，后面才有做差异化额度和利率的空间。

建模路线常用有三条：标准评分卡、Logistic回归、聚类。评分卡在银行用得最多，解释性强，评委看着有代入感；Logistic回归实现最简单，是评分卡的简化版；聚类可以处理没有信用记录的企业，但要解释清楚聚出来的每一类是什么意思，否则答辩容易被追问。C题数据量不大，几百家企业的量级，我建议先跑逻辑回归做基线，时间富余再升级成分箱评分卡。

3.2 端到端建模代码：从训练到KS统计量

from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split def build_score_model(X, y): # 有违约记录的企业才进训练集，无记录企业另行处理 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.3, random_state=42, stratify=y ) # class_weight="balanced"，让模型把违约样本当回事 model = LogisticRegression(class_weight="balanced", C=0.5, max_iter=1000) model.fit(X_train, y_train) # 取违约概率作为分数来源，而不是直接取0/1 y_prob = model.predict_proba(X_test)[:, 1] return model, y_prob, y_test def ks_stat(y_true, y_score): # 按分数从高到低排序，计算违约组与正常组累计分布的最大差距 df = pd.DataFrame({"y": y_true, "score": y_score}) df = df.sort_values("score", ascending=False).reset_index(drop=True) pos = df["y"].cumsum() / max(df["y"].sum(), 1) neg = (1 - df["y"]).cumsum() / max((1 - df["y"]).sum(), 1) return (pos - neg).abs().max()

参数和逻辑说明：

• class_weight="balanced"：违约样本少，普通逻辑回归会倒向多数类。这个参数按样本量倒数加权，把少数类的损失放大，训练出来的分数在违约组和正常组之间才有分隔。
• C=0.5：正则化强度。几百个样本的小数据集，C 太大容易过拟合，太小则把特征全压平，0.5 是个合理的起点，调参时按数量级试。
• 为什么用 predict_proba 而不是 predict：下一章的信贷策略需要连续分数来切额度档位，二分类标签会把大量信息离散化。
• KS 统计量是这篇论文最该放进去的指标：它表示排序后两组累计分布的最大差值，0.3 以上说明模型有区分能力，0.4 以上就很不错。评委只要看到你算 KS，就知道你懂评分模型的核心逻辑。

分数怎么转成 0-100 的信用分也顺手说一下。最直接的做法是把违约概率排个百分位，再镜像一下，让高概率对应低分数：

final_score = (1 - y_prob.rank(pct=True)) * 100

这样得到的信用分近似均匀分布在 0-100 之间，不受原始概率值偏移的影响。直接拿100 - y_prob*100也行，但如果全部概率挤在 0.1 附近，分数会堆在 90 以上毫无区分度，百分位排名能解决这个问题。

3.3 切分方式与阈值策略：别让验证集偷看答案

模型验证的切分方式我一直坚持「时间切分」而不是随机切分：用前80%的时间段做训练，后20%做验证。信贷业务本质是预测未来，随机切分会把未来的数据混进训练集，指标虚高，且高得没有实际意义。

阈值更不能默认 0.5。违约概率分布整体偏低，0.5 作为阈值等于宣布几乎没有企业会违约。常见做法是取 KS 最大值对应的分数作为风险分界线，或者用百分位的 70 分位作为预警线。论文里明确写清楚「阈值根据 KS 曲线选取」，比丢一个默认阈值有说服力得多。另外，有一部分没有信贷记录的企业进不了监督训练。我的做法是用有监督模型给它们打分做排序，再叠加一条规则校验，论文里写成「混合评估框架」，逻辑上比硬分类站得住。

提示：如果违约样本太少，连分层抽样都救不回来，就不要硬做有监督模型。改用规则打分加上离群点检测，写成混合信贷评估框架，评委反而更认可。

4. 信贷策略：评分转额度利率的四步定价法与稳健性检验

4.1 先定银行的三条底线，再谈利润

评分模型给出的是排序，信贷策略给出的是真金白银的额度和利率。把分数映射成策略之前，先写死三条底线：不良率不能超过某上限，单户额度不能超过企业经营能力，利率不能低于资金成本。这三个约束是后面所有参数的上限来源。

在C题场景里，资金成本按年化 4.5% 左右估算比较常见，那么优质客户利率应该落在 4.5% 附近，风险客户往上加风险溢价。额度则锚定近六个月的销项收入，不能给一个流水根本撑不住的金额。有了约束再看收益，评分高给低利率和高额度，评分低反过来，这就是风险定价的基本逻辑。

4.2 额度和利率的映射函数代码

这一步把信用分转成可执行的信贷参数。我用的映射策略是三档再加一个拒绝区，分段的好处是每一档的业务含义都能向评委说清。

def credit_policy(final_score, sales_6m, ratio_cap=0.4, base_rate=0.045): # final_score: 0-100，越高信用越好 # sales_6m: 近6个月销项收入，用于限制单户额度 if final_score < 60: return 0, None # 拒绝放贷 # 额度：先按销项收入乘比例，再用评分做折价 limit = sales_6m * ratio_cap * (final_score / 100) if final_score >= 85: rate = base_rate # 优质客户拿基准利率 elif final_score >= 75: rate = base_rate + 0.015 # 良好客户加150个基点 else: rate = base_rate + 0.03 # 65分以上的客户加300个基点 return round(limit, 2), round(rate, 4)

参数怎么选：

• 额度的锚定基准是销项收入而不是利润。利润波动大且口径不统一，销项收入来自发票，可信度高。
• ratio_cap=0.4 的意思是额度上限等于近6个月销项收入的 40%。真实信贷里这个比例对应「债务偿还比率」，保守的机构会压到 0.3 以内。这个值的选取要配合后面的敏感性分析一起讲。
• 利率等差递增是因为题目里没有违约损失率这类数据，用分段映射更利于解释。每一档利率都对应一个风险区间，评委看得出你是认真做了定价设计，而不是随便套了个公式。
• 拒绝线定在 60 分，意味着评分后约 20% 的企业会被拒绝放贷，这个比例跟真实银行的小微审批通过率大致相符。

4.3 稳健性检验：参数扰动与压力测试

这一节是拉开论文差距的地方。模型定了不代表策略稳，评委最爱追问「你的参数换一下，结论会不会变」。我一般做两件事：参数扰动和压力情景测试。

import numpy as np rng = np.random.default_rng(42) def robustness_check(final_score, sales_6m, n=500): results = [] for _ in range(n): cap = rng.uniform(0.3, 0.5) # 额度比例扰动 ±25% base = rng.uniform(0.035, 0.055) # 基准利率扰动 ±22% limits, rates = credit_policy(final_score, sales_6m, cap, base) valid_rates = [r for r in rates if r is not None] results.append([cap, base, limits.sum(), np.mean(valid_rates)]) return np.array(results)

输出矩阵的四列分别是两个扰动参数和两个业务结果：总额度、平均利率。我通常看两个结论：总额度对参数扰动的波动幅度，以及平均利率的稳定区间。如果参数扰动 ±25% 以内，业务指标变化不超过 15%，就说策略是稳健的，这段写进论文就是一个独立的实证小节。压力测试的做法更粗暴：把所有企业的销项收入统一打七折再跑一遍整套策略，观察拒绝率上升多少、总额度缩水多少。评委看到这一页，基本不会再问你「参数是不是凑出来的」，因为你在主动演示边界条件。

这部分的论文呈现建议用一张表，列方向是参数变动范围、总额度变化率、平均利率变化率。三行就够，写清楚基线值和扰动范围，页脚注明随机种子，保证可复现。很多队伍论文写了一整本，却拿不出一张稳健性表格，这是最可惜的丢分点。

5. 常见问题排查：从分箱到泄漏，参赛中最容易翻车的五个坑

5.1 时间跨度不一致：老企业靠数据量碾压新企业

现象：评分模型跑完，成立时间短的企业分数几乎全部压在尾部，看起来像一群「坏客户」，一刀切放贷额度全被拒掉。原因：所有企业混在一张宽表里，老企业天然有更多月份的销项记录，聚合出的金额总额和活跃月数都更大，模型把「数据量大」误当成了「经营实力强」。解决：按我第2章说的，把活跃期不足6个月的企业单独分桶，用近3个月比率特征替代总量特征；所有企业在同一个预测截止日下对齐时间窗。

5.2 特征泄漏：训练集漂亮得像开卷考试

现象：训练集AUC接近0.98，验证集却一落千丈，现场换数据直接就崩。原因：特征里混进了「之后才知道」的信息。有人把全年的销项收入算完均值，再去预测下半年是否违约，等于拿答案做预测。解决：坚持时间切分，特征只允许使用预测截止日之前的数据。写代码时把特征工程封装成函数，参数里传入截止日，所有窗口计算都在截止日之前完成，从机制上杜绝泄漏。

5.3 类别不均衡：0.5 阈值的致命默认值

现象：模型输出的违约预测几乎全是0，查了类别分布才发现违约样本只占一小部分。原因：没做类别加权，模型学到的最优策略就是把所有样本预测成正常类；再用默认0.5阈值切分，违约企业全部被放走。解决：训练时加class_weight="balanced"，评估时不看准确率，看KS和AUC。另外写论文时明确写一句「决策阈值由KS曲线选取」，而不是留在默认值，这句话能拦住一半的追问。

5.4 额度上限缺失：给了流水根本撑不起的放款额

现象：某企业信用分不错，模型给了一笔大额贷款，但一对照销项流水，额度相当于月收入的3倍，按这个金额根本还不出来。原因：直接用评分映射额度，忘了给额度设置偿付能力上限。解决：额度必须等于销项收入乘以倍数系数。我通常把系数范围控制在0.3到0.5，并且在论文里把额度公式写清楚，附上一句「额度上限受企业近6个月销项收入约束」，这是风控常识，评委看了不会挑毛病。

5.5 论文没有稳健性检验：答辩被追问就卡壳

现象：评委问「你的额度比例从0.4改成0.6，结论还成立吗」，答辩人当场愣住。原因：全文只贴了模型训练效果，没做任何参数扰动分析，策略的边界完全没交代。解决：补上第4章的扰动实验，哪怕只改额度比例和基准利率两个参数，生成一张参数-结果表，说服力都会完全不同。从那以后我做这类题都会提前跑一遍随机种子固定的扰动，数据放论文附录里都是加分项。

6. 进阶技巧：从C题到通用风控的复用要点

6.1 分箱与IV值：把逻辑回归升级成标准评分卡

C题的数据量不大，但特征分箱这个技巧可以直接复用。分箱能处理非线性关系，还能把缺失值单独成箱，解释性比连续变量更好。IV值用于筛选特征：低于0.02的特征直接丢掉，0.02到0.1是弱特征，0.1到0.3算中等，超过0.3才是强特征。用这个标准去筛C题里构造的十几个特征，剩下来的通常只有销项稳定度和申报偏离度这两个，筛选过程本身就能写进论文的特征工程章节。

def woe_iv(x, y, bins=10): df = pd.DataFrame({"x": x, "y": y}) df["bin"] = pd.qcut(df["x"], bins, duplicates="drop") agg = df.groupby("bin", observed=True).agg( good=("y", lambda s: (s == 0).sum()), bad=("y", lambda s: (s == 1).sum()) ) agg["woe"] = np.log((agg["bad"] / agg["bad"].sum()) / (agg["good"] / agg["good"].sum() + 1e-6)) agg["iv"] = ((agg["bad"] / agg["bad"].sum()) - (agg["good"] / agg["good"].sum())) * agg["woe"] return agg["iv"].sum()

6.2 与真实信贷数据的差异

C题是静态快照，真实风控是持续更新的流式数据，两者差距明显，心里要有数。

C题练手最大的价值是让你完整走通「数据清洗—评分—定价—检验」这条链，真实环境里这条链会更长，但核心逻辑不变。

6.3 固定工作流：拿到信贷数据后的五步检查

整理一下，我拿到任何一份信贷数据都会强制走一遍：第一步，数据字典逐字段核对，搞清楚每个字段的单位和口径；第二步，画出时间轴，标出每个样本的预测截止日；第三步，先跑规则基线，比如销项下降超过30%直接拒绝，再用模型；第四步，所有特征封装成独立函数，参数写死，保证可复现；第五步，论文里的每个结论都要能找到对应的代码输出。这套流程看着笨，但能避免第九版数据覆盖第八版时把结论带偏。从那以后我每次做信贷决策题都把这条链完整走一遍，再没出现过回测良好、现场翻车的情况。这套方法论希望对你有帮助。

本文还有配套的精品资源，点击获取