简介本资源是一套完整的贷中风险预测实战项目面向计算机及相关专业本科生毕业设计、课程设计与机器学习实践者聚焦金融风控场景下的模型构建与工程落地。压缩包共49个文件含19个Python源码覆盖特征工程、多种算法实现如XGBoost/LightGBM/随机森林等、11个CSV/XLSX数据集、5个Jupyter Notebook含流程图绘制、模型对比与调优实验、3个PPT含方案汇报与特征提取方法论、3个Word文档含赛题说明、字段解释与完整方案报告整体大小10.43MB。已有103人学习下载内容源自高分通过的毕业设计经导师指导并严格调试所有代码可直接运行。读者可获得从原始数据清洗、多维度特征构造、7种主流模型对比训练到结果可视化与业务解读的全流程实践材料尤其PPT中详述的特征提取逻辑与notebook中的模型迭代过程极具参考价值。1. 项目缘起为什么贷中风险预测是风控的“中场发动机”在金融科技领域风险控制从来都不是一个静态的、一劳永逸的环节。很多从业者甚至一些刚入行的数据科学家会把主要精力放在贷前审批模型上认为只要把好准入关后续的风险就基本可控了。这其实是一个巨大的误区。我经历过不止一个项目贷前模型AUCArea Under Curve刷得很高但上线后资产质量依然出现波动问题往往就出在“贷中”这个环节。贷中风险预测简单说就是在客户已经获得贷款、处于还款周期内时持续评估其未来违约可能性的过程。你可以把它想象成汽车的“行车电脑”和“胎压监测”而贷前模型只是“出厂质检”。车子开上路之后路况、驾驶习惯、零部件磨损都在动态变化贷中模型就是那个实时监控引擎状态、预警潜在爆胎风险的系统。它的核心价值在于“动态监控”和“提前干预”。为什么它如此重要第一客户的经济状况、行为偏好、外部环境如行业景气度、区域性事件是动态变化的。一个贷前评分良好的客户可能在还款中期失业或遭遇重大变故。第二它能有效识别“欺诈迁徙”或“共债风险”。有些欺诈团伙或高风险客户会利用信息差在不同平台借款贷前可能难以完全识别但其贷后的多头借贷、异常还款行为会在贷中阶段暴露。第三它是精细化运营的基础。基于贷中风险评分我们可以对客户进行分层管理对低风险客户提供提额、优惠费率等增值服务以提升粘性对中高风险客户进行预警、加强催收或调整还款计划从而在风险爆发前采取行动挽回损失。因此一个稳健的贷中风险预测模型是连接贷前审批与贷后管理的核心枢纽是风险管理的“中场发动机”。本次分享的项目便是我结合多年实战经验构建的一个从0到1的、可落地的贷中风险预测模型全流程实现。它不仅提供了可以直接运行的Python源码更关键的是我会拆解每一个环节背后的业务逻辑、技术选型理由以及那些在教科书里找不到的“坑”。2. 业务理解与数据蓝图定义“风险”与“观察窗口”在动手写一行代码之前我们必须把业务定义搞清楚。这是模型能否成功的先决条件也是新手最容易栽跟头的地方。2.1 目标变量Y的定义什么才算“坏客户”定义“坏客户”Bad是建模的起点。在贷中场景下这不是一个非黑即白的问题。常见的定义方式有逾期天数法例如将未来某一时间段内如观察期后6个月出现“逾期90天以上”的客户标记为坏样本1否则为好样本0。滚动率分析法分析客户从当前逾期状态如M1逾期1-30天恶化到更严重状态如M3逾期90天的概率。通过滚动率矩阵可以科学地确定一个逾期阈值作为坏样本标准。损失认定法结合催收成本和最终损失金额来定义可能将即使未逾期90天但催收成本极高的客户也视为坏样本。实操心得不要盲目采用“逾期30天”或“逾期90天”这种行业常见标准。一定要结合你自身产品的还款周期、催收能力、资金成本来计算。例如对于短期小额现金贷逾期30天可能已经意味着极高的损失率而对于长期抵押贷逾期90天可能才是风险开始的信号。建议第一步就是和业务、催收部门的同事坐下来基于历史数据回溯共同确定一个符合公司实际风险容忍度的Y定义。2.2 观察点与表现窗口时空的切割这是贷中模型最核心的概念之一直接决定了特征如何构造。观察点Observation Point我们“站在”哪个时间点去预测未来通常我们会选取客户还款周期内的多个固定时间点例如放款后的第3个月末、第6个月末等。在每个观察点我们只能使用这个时间点之前的客户所有信息行为、还款、外部数据来构造特征。观察窗口Observation Window用于构造特征的历史时间段。例如在某个观察点我们回溯过去3个月的数据来生成特征。窗口长度需要权衡太短信息不充分太长数据波动大且早期信息可能已与当前风险无关。表现窗口Performance Window从观察点之后开始用来评估客户是否变“坏”的未来时间段。例如观察点之后6个月。表现窗口的长度决定了我们预测的是短期风险还是中长期风险。一个标准的样本构造过程如下假设我们定义观察点为放款后第6个月末观察窗口为放款后第4-6个月共3个月表现窗口为第7-12个月共6个月Y定义为在表现窗口内是否逾期90天。对于每一个客户我们将其在观察窗口第4-6个月内的所有数据还款记录、APP登录、消费行为等加工成特征X。查看该客户在表现窗口第7-12个月内的表现如果出现逾期90天则Y1否则Y0。这样我们就得到了一个样本X, Y。每个客户在不同观察点可以生成多个样本这属于跨时间样本能极大扩充样本量但需要小心处理样本间的自相关性。2.3 特征工程蓝图从原始数据到模型输入数据决定了模型的上限。贷中特征通常包括以下几大类我将其整理为一个特征蓝图表格方便在开发时对照检查特征大类具体特征示例业务含义构造要点与注意事项还款行为特征历史逾期次数、最大逾期天数、当前逾期期数、提前还款次数、还款金额波动率直接反映客户的还款意愿和能力是最强信号。注意在观察窗口内计算。对于“当前逾期期数”要明确是观察点当天的状态。账户行为特征登录APP频率、查看账单次数、使用优惠券频率、额度使用率变化、近期借款申请次数反映客户的活跃度、对产品的依赖度及潜在的多头借贷压力。额度使用率突然飙升是重要风险信号。借款申请频繁可能暗示资金链紧张。交易/消费特征月均交易金额、交易商户类型分布如奢侈品、赌博类占比、交易时间规律性刻画客户的消费能力和习惯异常消费模式可能与风险相关。需要脱敏和聚合注意隐私合规。赌博、套现等高风险商户类型的识别是关键。客户静态信息年龄、职业、学历、地理位置编码后基本的客群分层信息但区分能力可能随时间减弱。注意数据漂移职业等信息可能会变。通常需要与其他行为特征交叉。时序聚合特征过去3个月平均还款延迟天数、最近1个月登录次数与之前2个月的比值、额度使用率的趋势斜率捕捉客户行为的变化趋势这是贷中模型区别于贷前模型的核心。这是特征工程的精华。计算滑动窗口内的统计量均值、方差、最大值、最小值、环比、同比、拟合趋势线斜率等。外部数据特征多头借贷指数近期被其他机构查询次数、行业景气指数若客户为企业主、区域风险评分引入客户自身行为之外的风险维度。依赖外部数据源需评估数据质量、稳定性和成本。注意数据获取的时效性。踩坑实录在构造时序聚合特征时我曾直接使用了pandas的rolling函数计算每个客户观察窗口内的均值。上线后才发现对于在观察窗口后期才出现的客户其“过去3个月均值”实际上包含了窗口期之前的数据因为rolling默认向前取满窗口。正确的做法是必须严格按照每个样本的观察点截取观察窗口内的数据进行计算确保特征构造在时间上是“干净”的没有用到未来信息。在源码中我会通过定义明确的cutoff_date来实现这一点。3. 模型构建全流程从数据清洗到模型训练有了清晰的数据蓝图我们就可以进入代码实战环节。本项目采用经典的机器学习流程并针对金融风控数据的特点进行了大量优化。3.1 环境准备与数据加载首先我们需要一个稳定、可复现的环境。推荐使用conda创建独立的Python环境。# 创建环境 conda create -n loan_risk_mid python3.8 conda activate loan_risk_mid # 安装核心库 pip install pandas1.4.0 numpy1.22.0 scikit-learn1.0.2 matplotlib3.5.0 seaborn0.11.2 # 安装用于特征筛选和模型解释的增强库 pip install shap0.41.0 imbalanced-learn0.9.0数据加载后第一步不是急于分析而是进行数据审计。我会写一个data_audit函数快速生成一份数据报告包括每列的缺失率、唯一值数量、数据类型、以及数值列的分布概况均值、标准差、分位数。这能帮你快速发现数据问题比如某列缺失率高达90%或者本应是数值型的列却存储为对象类型。3.2 探索性数据分析与预处理EDA不是简单的画图而是带着业务问题去探索。标签分布分析计算好坏样本的比例。金融数据通常极度不平衡坏样本占比可能只有1%-5%。这直接决定了我们后续是否需要采样策略以及选择什么样的评估指标AUC、KS、PSI 稳定性、召回率等。特征分布分析分别绘制好、坏样本在关键特征如历史逾期次数、额度使用率上的分布曲线KDE图。好的特征应该能较好地区分好坏客户。如果分布几乎重合这个特征可能无效。缺失值处理数值型特征对于缺失率较低如5%且业务上缺失可视为“无”或“正常”的特征如“优惠券使用次数”缺失可能意味着未使用我用中位数填充。对于缺失率较高或缺失本身可能有业务含义的特征如“外部征信分”缺失可能意味着无记录或新客户我会创建一个布尔型的“是否缺失”标志特征然后将原特征用0或中位数填充。这个“是否缺失”标志往往是一个很强的预测变量。类别型特征直接增加一个“MISSING”类别。异常值处理风控数据中异常值很常见比如一笔巨大的交易。我不用简单的3-sigma法则因为金融数据常呈偏态分布。我采用分位数封顶法将大于99.5%分位数和小于0.5%分位数的值分别用该分位数的值进行替换。这样可以避免极端值对模型尤其是线性模型造成过度影响同时又保留了数据的偏态信息。3.3 特征工程代码实现与业务逻辑融合这是整个项目最耗时的部分也是区分初级和资深数据科学家的地方。我将特征工程模块化。import pandas as pd import numpy as np from datetime import timedelta class FeatureEngineer: def __init__(self, observation_point, observation_window_days90): observation_point: datetime, 观察点日期 observation_window_days: int, 观察窗口长度天 self.obs_point observation_point self.obs_window_start observation_point - timedelta(daysobservation_window_days) def create_repayment_features(self, repayment_df): 构造还款行为特征 # 筛选观察窗口内的还款记录 mask (repayment_df[repay_date] self.obs_window_start) (repayment_df[repay_date] self.obs_point) window_repay_df repayment_df.loc[mask].copy() features {} # 基础统计 features[repay_count] window_repay_df.shape[0] features[total_repay_amt] window_repay_df[repay_amount].sum() # 逾期相关假设有due_date和repay_date window_repay_df[delay_days] (window_repay_df[repay_date] - window_repay_df[due_date]).dt.days features[avg_delay_days] window_repay_df[delay_days].mean() features[max_delay_days] window_repay_df[delay_days].max() features[overdue_times] (window_repay_df[delay_days] 0).sum() # 逾期次数 # **趋势特征**计算滑动窗口内的平均延迟天数例如按周 # 这里简化展示实际需按时间序列排序后计算 # features[delay_trend] self._calculate_trend(window_repay_df, delay_days) return pd.Series(features) def create_behavior_features(self, login_df, transaction_df): 构造账户与交易行为特征 # 类似地筛选观察窗口内的登录和交易数据 # 构造登录频率、交易金额稳定性、额度使用率变化率等特征 # ... pass def _calculate_trend(self, df, value_col, date_coldate): 计算简单线性趋势斜率 if df.empty or df.shape[0] 2: return 0 df df.sort_values(date_col).reset_index(dropTrue) x np.arange(len(df)) y df[value_col].values # 使用最小二乘法计算斜率 slope, _ np.polyfit(x, y, 1) return slope核心技巧将所有特征构造逻辑封装在类中并将observation_point作为初始化参数。这样当我们为不同观察点如第3月末、第6月末生成样本时只需要实例化不同的FeatureEngineer对象即可保证了特征计算逻辑在时间上的一致性完美避免了数据泄露。3.4 样本不平衡处理与模型选择面对1:99的样本不平衡我们有三板斧调整评估指标不再只看准确率Accuracy它会因为多数类而虚高。我们更关注AUC衡量整体排序能力、KS值衡量模型区分度、以及在坏样本召回率Recall一定下的精确率Precision因为业务上我们关心能抓住多少坏人以及抓出来的里面有多少是真的坏人。使用代价敏感学习很多模型如sklearn的LogisticRegression、SVC、RandomForestClassifier支持class_weight参数。我们可以设置为‘balanced’或者根据坏样本的实际损失成本手动设置更高的权重如{0: 1, 1: 10}。使用采样技术imbalanced-learn库提供了多种方法。我经过多次对比发现在风控场景下SMOTEENN混合采样效果相对稳定。它先使用SMOTE对少数类进行过采样再用ENNEdited Nearest Neighbours对多数类和少数类都进行清洗去除噪声样本。但要注意采样应在划分训练验证集之后仅对训练集进行防止信息泄露。模型选择上我并没有一上来就用复杂的XGBoost或LightGBM。我的策略是基准模型逻辑回归LR。它简单、稳定、可解释性强是风控业务的“标配”。先跑一个LR它的性能可以作为后续复杂模型的基准线。核心模型LightGBM。它在处理表格数据、大规模数据时效率极高且能自动处理缺失值、捕捉非线性关系。最重要的是LightGBM提供了feature_importance和与SHAP结合的可解释性工具这对于通过模型评审和业务解释至关重要。为什么不选XGBoost在多次实测中LightGBM的训练速度通常更快内存消耗更小且在大数据集上表现不相上下。对于需要快速迭代的贷中模型效率优势很重要。3.5 模型训练、验证与调参我采用时间序列交叉验证这是风控建模的黄金标准。我们不能用简单的随机K折因为那样会破坏数据的时间顺序导致用“未来”的数据预测“过去”造成过于乐观的评估结果。from sklearn.model_selection import TimeSeriesSplit from lightgbm import LGBMClassifier import numpy as np # 假设 features 和 labels 已经按时间排序 tscv TimeSeriesSplit(n_splits5) fold_metrics [] for train_idx, val_idx in tscv.split(features): X_train, X_val features.iloc[train_idx], features.iloc[val_idx] y_train, y_val labels.iloc[train_idx], labels.iloc[val_idx] # 仅在训练集上处理不平衡如SMOTEENN # sampler SMOTEENN(random_state42) # X_train_res, y_train_res sampler.fit_resample(X_train, y_train) model LGBMClassifier( n_estimators200, learning_rate0.05, num_leaves31, max_depth6, # 控制复杂度防止过拟合 min_child_samples20, subsample0.8, colsample_bytree0.8, reg_alpha0.1, # L1正则 reg_lambda0.1, # L2正则 class_weightbalanced, random_state42, n_jobs-1 ) model.fit(X_train, y_train, eval_set[(X_val, y_val)], eval_metricauc, early_stopping_rounds50, verboseFalse) # 在验证集上评估 val_pred_proba model.predict_proba(X_val)[:, 1] auc roc_auc_score(y_val, val_pred_proba) fold_metrics.append(auc) print(f5折时间序列CV平均 AUC: {np.mean(fold_metrics):.4f} (/- {np.std(fold_metrics):.4f}))调参方面我建议先用Optuna或BayesianOptimization进行贝叶斯优化搜索核心参数num_leaves,max_depth,learning_rate,reg_alpha,reg_lambda的大致范围。然后基于最优范围进行手动微调特别是关注max_depth和num_leaves它们直接控制模型复杂度在风控中我们宁愿模型稍微“欠拟合”也要保证其稳定性和可解释性避免过拟合到历史数据中的噪声。4. 模型评估、解释与部署监控模型训练好AUC看起来不错但这仅仅是开始。如何让业务方信任并使用这个模型是更关键的挑战。4.1 超越AUC业务化评估体系我们需要一套业务能看懂的评估报告KS曲线与KS值将预测概率排序后分为10等份或20等份十分位/二十分位计算每个分组内好坏客户的累积分布差。KS值就是最大差值。它直观反映了模型将好坏客户分开的能力。一个好的风控模型KS值通常在0.3以上。提升图与洛伦兹曲线回答“如果我们只对模型评分最高的前X%的客户进行干预能抓住多少比例的坏客户”例如模型排名前10%的客户可能包含了40%的坏客户这就是4倍的提升。分数分布与稳定性PSI将模型应用于最近一个月的样本Out-of-Time OOT与训练样本的分数分布进行比较计算群体稳定性指数PSI。PSI 0.1说明分布变化微小模型稳定0.1 PSI 0.25表示有轻微变化需要关注PSI 0.25则表明分布发生显著变化模型可能已经失效需要预警。这是模型监控的核心指标。校准曲线检查模型预测的违约概率是否与真实的违约率相匹配。例如模型预测违约概率为10%的客户群体其真实违约率是否在10%左右这对于需要精确估计预期损失的场景如准备金计提非常重要。4.2 模型可解释性SHAP值的力量“为什么这个客户被评分这么低”业务和策略同事一定会问。LightGBM自带的特征重要性feature_importance只能告诉我们哪个特征整体重要而SHAP值可以解释每一个单独预测。import shap import matplotlib.pyplot as plt # 训练完成后计算SHAP值 explainer shap.TreeExplainer(model) shap_values explainer.shap_values(X_val) # 1. 全局特征重要性基于SHAP绝对值的均值 shap.summary_plot(shap_values, X_val, plot_typebar) # 2. 特征影响力分布图蜜蜂图 shap.summary_plot(shap_values, X_val) # 3. 单个样本的解释例如一个高风险客户 client_idx 0 # 高风险客户的索引 shap.force_plot(explainer.expected_value, shap_values[client_idx, :], X_val.iloc[client_idx, :])通过SHAP力力图你可以清晰地告诉业务方“这个客户评分低主要是因为他最近3个月的额度使用率飙升了50%贡献负向SHAP值-0.15同时历史上有过2次逾期记录贡献负向SHAP值-0.08。”这种解释能力是模型获得信任和得以应用的基石。4.3 部署、监控与迭代模型上线不是终点。部署将训练好的模型joblib或pickle保存嵌入到实时风控决策引擎中。对于实时评分需要确保特征计算管道FeatureEngineer类也能在线实时或准实时地运行。监控看板建立一个每日/每周更新的监控看板至少包含以下内容模型性能监控每日预测分数的分布、PSI、OOT样本的AUC/KS。特征稳定性监控监控核心特征如额度使用率、逾期次数的分布变化特征PSI。业务效果监控模型高分区间如前10%客户的后续真实逾期率与模型预测概率是否吻合。迭代周期贷中模型建议每季度或每半年重训一次。随着市场环境、客户群体、产品策略的变化模型会逐渐衰减。重训时要重新审视Y的定义、特征的有效性并加入新的数据源。血泪教训我曾经历过一次模型效果骤降。监控看板显示PSI连续一周超过0.3但AUC却没怎么变。排查后发现是数据管道的一个上游作业出错导致“最近一次登录时间”这个特征大量被填充为默认值1970年造成了特征分布剧变。因此监控必须包含特征层面和分数层面并且要建立明确的报警机制如PSI0.2触发预警而不是仅仅盯着最终的业务指标。构建一个有效的贷中风险预测模型是一个融合了业务洞察、数据工程和机器学习技术的系统性工程。它远不止是调一个Kaggle比赛模型那么简单。从业务定义、时空样本切割到特征工程的时序逻辑、样本不平衡处理再到模型的可解释性与持续监控每一个环节都需要深思熟虑。这个项目提供的源码和文档正是这套方法论的具体实践。希望这份详细的拆解能帮助你少走弯路构建出真正能在业务中创造价值的风险“中场发动机”。本文还有配套的精品资源点击获取