1. 为什么风控场景偏爱逻辑回归？
在金融风控领域工作了8年，我发现90%的业务场景最终落地的还是逻辑回归模型。这背后有几个关键原因：
首先是模型的可解释性。金融风控是强监管领域，监管要求每个放款决策都必须能够解释。逻辑回归的线性公式y=1/(1+e^-(wx+b))中，每个特征的权重w直接反映了该特征对最终结果的影响程度。比如在信贷审批中，我们可以明确告诉用户："由于您近3个月有5次逾期记录（权重-0.8），导致审批未通过"。
其次是训练效率。相比深度神经网络，逻辑回归在千万级样本上的训练时间通常只需几分钟。我曾对比过相同数据集上XGBoost和逻辑回归的训练耗时：前者需要2小时调参，后者15分钟就能得到稳定结果。这对需要快速迭代的风控场景至关重要。
第三是部署成本。逻辑回归模型导出后往往只有几十KB大小，在边缘设备上也能流畅运行。我们有个消费金融客户就在POS机上直接部署了逻辑回归模型，实现实时交易风控，而同样的业务如果用深度学习，至少需要2GB内存的服务器。
关键经验：当业务方问"为什么不用更复杂的模型"时，我会用"奥卡姆剃刀原则"来解释——如无必要，勿增实体。在满足业务需求的前提下，最简单的模型往往是最优解。
2. 风控建模的核心目标拆解
风控建模不是单纯的算法问题，必须与业务目标强绑定。以信贷风控为例，核心要平衡三个指标：
坏账率控制：这是底线要求。假设资金成本是8%，产品利率24%，那么坏账率必须控制在16%以下才能盈利。模型需要准确识别高风险用户。
通过率保障：过度保守会导致业务萎缩。我们曾有个模型将坏账率压到3%，但通过率只有15%，最终月放款量下降70%。理想状态是在坏账率红线内最大化通过率。
用户体验：包括审批速度（通常要求<1分钟）和材料复杂度。逻辑回归配合特征预处理，完全可以在200ms内完成决策，且只需要结构化数据输入。
具体到建模任务，典型流程是：
- 定义y标签：如M3+逾期（超过90天未还款）
- 确定观察期：通常取用户最近12个月行为
- 设置表现期：一般3-6个月来观察是否逾期
- 样本平衡：采用欠采样或代价敏感学习处理样本不平衡（正常用户>>逾期用户）
3. 特征工程实战：从原始数据到模型输入
特征工程的质量直接决定模型效果上限。我们的特征库通常包含以下几类：
3.1 基础特征
- 人口统计学特征：年龄、性别、地域等
- 信用历史：征信查询次数、已有贷款数、历史逾期次数
- 消费行为：月均消费额、夜间消费占比、跨境消费频率
3.2 衍生特征
这里分享几个实战中特别有效的特征构造方法：
时间衰减加权：近期的逾期比历史逾期更重要。我们会用指数衰减公式：
code复制近期逾期权重 = Σ(逾期金额 * e^(-λ*距离当前月数))
其中λ通常取0.3-0.5，通过网格搜索确定。
行为序列模式：将用户最近6个月的还款行为编码为序列，如"按时-延迟3天-按时-逾期"，然后用N-gram提取常见模式。
跨维度组合：比如"月收入/信用卡额度"反映负债压力，"夜间消费占比*单笔最大金额"识别异常交易。
3.3 特征分箱与WOE编码
连续变量必须分箱处理，常用方法：
- 等频分箱：保证每箱样本量相同
- 决策树分箱：用单特征训练决策树，以分裂点作为分箱边界
分箱后计算WOE（Weight of Evidence）：
code复制WOE = ln(好用户占比/坏用户占比)
这能将非线性关系转化为线性可分的特征。
避坑指南：特征分箱后一定要检查单调性。比如"年龄"特征应该呈现"年龄越大，违约率越低"的单调趋势，如果出现波动需要重新分箱。
4. 模型训练中的业务对齐技巧
4.1 样本权重调整
业务中不同用户的价值不同，可以通过样本权重体现：
- 高净值用户：权重上调20%-50%
- 新客首贷：权重上调（获取新客成本高）
- 重复借贷用户：权重下调（可能存在套现风险）
4.2 代价敏感学习
在sklearn中设置class_weight参数：
python复制model = LogisticRegression(
class_weight={0:1, 1:10} # 坏样本权重是好样本的10倍
)
4.3 业务约束注入
有时需要硬性业务规则：
python复制def business_rules(features):
if features['blacklist_flag'] == 1:
return 0 # 直接拒绝
elif features['income'] < 3000 and features['loan_amount'] > 50000:
return 0
else:
return model.predict(features)
5. 超越准确率的评估体系
在风控场景，单纯看准确率会严重误导。我们采用多维评估：
5.1 混淆矩阵分析
| 预测好 | 预测坏 | |
|---|---|---|
| 实际好 | TN | FP |
| 实际坏 | FN | TP |
重点关注：
- 召回率（TP/(TP+FN)）：捕捉了多少真实坏人
- 精确率（TP/(TP+FP)）：抓对的坏人比例
- FPR（FP/(FP+TN)）：误杀好人的比例
5.2 排序能力评估
- KS曲线：好坏用户分数分布差异的最大值，>0.3可用
- AUC值：0.75是业务可用基线，0.85以上优秀
- Lift值：前10%高风险用户中真实坏人的占比
5.3 业务仿真测试
用历史数据回测：
- 按模型分数划分10个区间
- 计算每个区间的实际坏账率
- 确保分数与坏账率严格正相关
6. 生产环境部署要点
6.1 性能优化技巧
- 特征预处理固化：将分箱边界、WOE值、归一化参数持久化
- 向量化预测：批量处理请求而非单条处理
python复制# 低效方式
results = [model.predict([features]) for features in feature_list]
# 高效方式
results = model.predict_proba(feature_matrix)[:,1]
6.2 监控指标设计
我们会在生产环境监控：
- 特征稳定性：PSI（Population Stability Index）<0.1
- 分数分布变化：每周KS值波动<5%
- 规则触发率：突增可能意味着特征计算异常
6.3 模型迭代机制
采用"冠军-挑战者"模式：
- 线上运行当前最优模型（冠军）
- 同时部署新模型（挑战者）分流5%流量
- 通过A/B测试决定是否切换
7. 逻辑回归的长期价值
尽管深度学习大行其道，但在风控领域，逻辑回归依然不可替代。最近我们尝试用GBDT+LR的混合模型，先用GBDT做特征组合，再将叶子节点作为LR输入，这样既保留了可解释性，又提升了模型能力。不过最终部署时，还是会将GBDT部分预编译成规则，本质上还是回归到可解释的决策逻辑。
在实际业务中，我经常提醒团队：不要为了用AI而用AI。一个准确率85%但完全透明的逻辑回归模型，远比准确率88%的黑箱模型更有业务价值。特别是在监管日益严格的今天，模型的可解释性不是可选项，而是必选项。