简介：这份资源面向金融风控方向的初学者与在校学生，提供一套基于机器学习的Python大数据风控建模完整实战项目，可用于毕业设计、期末大作业或课程设计场景。压缩包共106个文件，约20.13MB，以40个py源码文件为核心，配合19个pkl模型文件、16个csv数据集（如german、LoanStats等信贷样本）、3个ipynb实验笔记、20张png结果图及文档说明，覆盖数据预处理、特征工程、模型训练与评估全流程。代码注释详尽，新手也能读懂，部署后即可运行。目前已有1159人学习下载，项目经严格调试，功能完善、结构清晰，能帮助读者快速掌握风控建模思路，直接复用于自己的课题或作业中。
1. 风控建模这件事，为什么光有算法远远不够
很多做 Python 金融大数据风控建模的团队，模型 AUC 跑到 0.78 就觉得可以上线了，结果一进生产环境，坏账率没降反升。问题往往不在算法本身，而在于整条链路——数据清洗、特征工程、样本定义、模型部署、监控回捞——每一环都可能成为黑匣子。这套「基于机器学习源代码+文档说明」的实战方案，核心价值就是把这条链路拆开，让你看到每个环节的输入输出、参数含义和失败边界。它适合两类人：一是刚入门机器学习、想找一个完整金融风控项目练手的 Python 开发者；二是已经在做风控、但模型落地总踩坑、想系统梳理工程细节的从业者。读完你至少能拿到一套可复现的建模流程、一份参数调优清单，以及几个我踩过的血泪坑。
2. 从原始数据到模型输入：金融风控特征工程怎么做
2.1 金融风控数据的三个特殊性和对应处理策略
金融风控数据和通用机器学习数据集最大的区别在于：极度不平衡、时间依赖强、缺失有业务含义。信用卡欺诈样本占比可能只有 0.2%，如果直接拿全量数据训练，模型会倾向于全部预测为「正常」，准确率看着 99.8%，但召回率接近零。常见做法是分层采样加代价敏感学习，而不是简单过采样。
时间依赖体现在：你不能用未来的数据预测过去。比如用 2024 年 6 月之后的还款行为去构造 2024 年 3 月的特征，这在离线评估时 AUC 会虚高，上线后直接翻车。我一般会按时间切分训练集和测试集，而不是随机切分。
缺失值在金融场景里往往不是「没采集到」，而是「这个客户没有该项行为」。比如「近 6 个月逾期次数」为空，可能意味着从未有过信贷记录。直接填充 0 会引入偏差，更合理的做法是加一个「是否缺失」的指示特征，再对缺失值做业务含义填充。
import pandas as pd import numpy as np from sklearn.model_selection import train_test_split # 假设 df 是原始数据，target 是标签列 # 1. 按时间切分，避免未来信息泄露 df = df.sort_values('apply_date') split_idx = int(len(df) * 0.7) train_df = df.iloc[:split_idx].copy() test_df = df.iloc[split_idx:].copy() # 2. 缺失指示特征 for col in ['past_6m_delinq', 'credit_utilization', 'loan_amount']: train_df[f'{col}_is_missing'] = train_df[col].isnull().astype(int) test_df[f'{col}_is_missing'] = test_df[col].isnull().astype(int) # 3. 业务含义填充：逾期次数缺失填 0，使用率缺失填中位数 train_df['past_6m_delinq'] = train_df['past_6m_delinq'].fillna(0) test_df['past_6m_delinq'] = test_df['past_6m_delinq'].fillna(0) median_util = train_df['credit_utilization'].median() train_df['credit_utilization'] = train_df['credit_utilization'].fillna(median_util) test_df['credit_utilization'] = test_df['credit_utilization'].fillna(median_util) print(f"训练集样本数: {len(train_df)}, 测试集样本数: {len(test_df)}") print(f"训练集坏样本率: {train_df['target'].mean():.4f}")这段代码的关键点有三个：第一，sort_values('apply_date')保证时间顺序，iloc切分而不是train_test_split随机切分；第二，缺失指示特征在填充之前生成，否则填充后就无法区分「原本缺失」和「原本就是 0」；第三，中位数只用训练集计算，避免测试集信息泄露到训练过程。参数上，split_idx的比例 0.7 不是固定的，如果数据时间跨度大、概念漂移明显，可以调到 0.6 甚至 0.5，给测试集更多近期样本。
2.2 用 WOE 和 IV 做特征筛选的完整代码路径
金融风控领域最常用的特征筛选方法是 WOE（Weight of Evidence）和 IV（Information Value）。WOE 衡量的是某个分箱内坏样本占比与好样本占比的对数比，IV 则是 WOE 的加权和，用来衡量整个变量的预测能力。IV 的经验阈值：小于 0.02 几乎无预测力，0.02 到 0.1 弱，0.1 到 0.3 中等，0.3 到 0.5 强，大于 0.5 要警惕过拟合或数据泄露。
def calculate_woe_iv(df, feature, target): """计算单个特征的 WOE 和 IV""" # 分箱：连续变量按分位数切 5 箱，离散变量直接分组 if df[feature].dtype in ['float64', 'int64']: df['bin'] = pd.qcut(df[feature], q=5, duplicates='drop') else: df['bin'] = df[feature] grouped = df.groupby('bin')[target].agg(['count', 'sum']) grouped.columns = ['total', 'bad'] grouped['good'] = grouped['total'] - grouped['bad'] # 防止除零 grouped['bad'] = grouped['bad'].replace(0, 0.5) grouped['good'] = grouped['good'].replace(0, 0.5) total_bad = grouped['bad'].sum() total_good = grouped['good'].sum() grouped['bad_rate'] = grouped['bad'] / total_bad grouped['good_rate'] = grouped['good'] / total_good grouped['woe'] = np.log(grouped['bad_rate'] / grouped['good_rate']) grouped['iv'] = (grouped['bad_rate'] - grouped['good_rate']) * grouped['woe'] iv = grouped['iv'].sum() return grouped, iv # 批量计算所有特征的 IV feature_cols = [c for c in train_df.columns if c not in ['target', 'apply_date', 'bin']] iv_dict = {} for col in feature_cols: try: _, iv = calculate_woe_iv(train_df.copy(), col, 'target') iv_dict[col] = iv except Exception as e: print(f"特征 {col} 计算失败: {e}") iv_series = pd.Series(iv_dict).sort_values(ascending=False) print(iv_series.head(20))逻辑说明：pd.qcut按分位数分箱保证每箱样本量均衡，duplicates='drop'处理重复边界值。replace(0, 0.5)是拉普拉斯平滑的简化版，避免某个分箱没有坏样本时 log 无穷大。IV 计算后，我一般保留 IV 大于 0.02 的特征，同时剔除 IV 大于 0.5 的——后者往往意味着这个特征和标签有直接因果关系，比如「已逾期天数」这种贷后信息，上线时根本拿不到。
参数方面，分箱数q=5是起步值，如果特征分布偏态严重，可以改成q=10再合并相邻箱。WOE 单调性也要检查：如果 WOE 随分箱不是单调变化，说明分箱不合理或者特征本身非线性强，需要重新切分或做非线性变换。
3. 模型训练与调参：从逻辑回归到 XGBoost 的选型逻辑
3.1 为什么金融风控首选逻辑回归做基线
在金融风控场景，逻辑回归至今仍是很多银行和消金公司的首选基线模型，原因不是它效果好，而是它可解释性强、稳定性高、监管友好。当监管要求你解释「为什么拒绝这个客户」时，逻辑回归可以直接给出每个特征的系数和贡献度，而 XGBoost 需要额外的 SHAP 值解释，且解释结果可能不稳定。
我一般会先跑一版逻辑回归，用 WOE 转换后的特征作为输入，观察 KS 和 AUC。如果逻辑回归的 KS 能达到 0.35 以上，说明特征工程做到位了，再上 XGBoost 做提升。如果逻辑回归 KS 只有 0.2，问题大概率在特征侧，换模型也救不了。
from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_auc_score, roc_curve import matplotlib.pyplot as plt # 假设 X_train_woe, X_test_woe 是 WOE 转换后的特征矩阵 lr = LogisticRegression( penalty='l2', # L2 正则防止过拟合 C=1.0, # 正则强度，越小正则越强 class_weight='balanced', # 自动调整类别权重 max_iter=1000, solver='lbfgs' ) lr.fit(X_train_woe, y_train) # 评估 y_pred_proba = lr.predict_proba(X_test_woe)[:, 1] auc = roc_auc_score(y_test, y_pred_proba) fpr, tpr, thresholds = roc_curve(y_test, y_pred_proba) ks = max(tpr - fpr) print(f"逻辑回归 AUC: {auc:.4f}, KS: {ks:.4f}")参数说明：class_weight='balanced'在不平衡数据上自动给少数类更高权重，等价于n_samples / (n_classes * np.bincount(y))。C=1.0是默认值，如果 KS 在训练集和测试集差距大（比如训练集 0.5、测试集 0.3），说明过拟合，把 C 调到 0.1 或 0.01。max_iter=1000是因为 WOE 特征量纲差异大，默认 100 次迭代可能不收敛。
3.2 XGBoost 在风控场景的调参顺序和早停策略
XGBoost 调参最忌讳一上来就网格搜索，计算量大且容易过拟合。我一般按这个顺序：先定n_estimators和learning_rate，再调max_depth和min_child_weight，然后subsample和colsample_bytree，最后gamma和正则项。
import xgboost as xgb from sklearn.model_selection import StratifiedKFold # 时间序列交叉验证：按时间分 5 折，每折用前面预测后面 def time_series_cv(X, y, n_splits=5): fold_size = len(X) // (n_splits + 1) scores = [] for i in range(n_splits): train_end = fold_size * (i + 1) val_end = fold_size * (i + 2) X_tr, y_tr = X[:train_end], y[:train_end] X_val, y_val = X[train_end:val_end], y[train_end:val_end] model = xgb.XGBClassifier( n_estimators=500, learning_rate=0.05, max_depth=4, min_child_weight=10, subsample=0.8, colsample_bytree=0.8, gamma=0.1, reg_alpha=0.1, reg_lambda=1.0, scale_pos_weight=len(y_tr[y_tr==0]) / len(y_tr[y_tr==1]), early_stopping_rounds=50, eval_metric='auc' ) model.fit(X_tr, y_tr, eval_set=[(X_val, y_val)], verbose=False) scores.append(model.best_score) return scores scores = time_series_cv(X_train_woe.values, y_train.values) print(f"时间序列 CV AUC: {np.mean(scores):.4f} ± {np.std(scores):.4f}")关键参数解释：max_depth=4在风控场景通常够用，树太深容易记住噪声；min_child_weight=10保证叶子节点至少有 10 个样本，防止对少数样本过拟合；scale_pos_weight处理不平衡，值等于负样本数除以正样本数；early_stopping_rounds=50在验证集 AUC 连续 50 轮不提升时停止，避免无效计算。subsample=0.8和colsample_bytree=0.8是行采样和列采样，增加模型多样性同时防过拟合。
调参时注意：learning_rate从 0.1 开始，如果 CV 曲线震荡大就降到 0.05 或 0.01，同时增加n_estimators。gamma从 0 开始，如果训练集 AUC 远高于验证集，逐步加到 0.1、0.2。
4. 避坑与排查：风控建模上线前必须检查的 5 个致命问题
4.1 样本穿越：离线 AUC 0.9，上线后 0.6
现象：离线评估 AUC 0.9，KS 0.5，上线后一周 AUC 掉到 0.6，坏账率没降。原因：特征里混入了贷后信息，比如「最近一次还款状态」「当前逾期天数」，这些特征在申请时点根本拿不到。解决：逐特征检查时间戳，确保所有特征的计算时点早于标签生成时点。我一般会维护一张特征时间表，标注每个特征的「可用时点」，训练时强制过滤。
4.2 分箱边界不一致：训练集和测试集 WOE 对不上
现象：训练时 WOE 转换正常，测试集转换后大量缺失或异常值。原因：分箱边界是用训练集算的，测试集直接用pd.cut时边界对不上，或者测试集出现了训练集没有的类别。解决：把训练集的分箱边界保存成 JSON，测试集用pd.cut(bins=saved_bins)或映射表转换。类别型特征用category类型固定类别顺序。
4.3 模型分数分布漂移：PSI 超过 0.25 还在用
现象：模型上线三个月，分数分布和训练时比明显右移，但没人管。原因：没有做 PSI（Population Stability Index）监控。PSI 大于 0.1 就要警惕，大于 0.25 说明分布显著变化，模型需要重新训练。解决：每周计算一次线上分数和训练分数的 PSI，按分数分 10 箱，公式是sum((实际占比 - 预期占比) * ln(实际占比 / 预期占比))。
4.4 缺失值填充用了全量数据中位数
现象：离线评估很好，上线后新客户（无历史行为）的分数异常高或低。原因：填充中位数时用了包含测试集的全量数据，导致信息泄露，且新客户的特征分布和训练集不同。解决：填充值只用训练集计算，并且对新客户单独做规则兜底，比如「无信贷历史」直接走人工审核或规则拒绝。
4.5 阈值选择只看 KS 最大点
现象：KS 最大点对应的阈值上线后，通过率骤降或坏账率飙升。原因：KS 最大点只考虑区分度，没考虑业务通过率和坏账成本的平衡。解决：画通过率-坏账率曲线，结合业务目标选阈值。比如业务要求通过率不低于 60%，就在通过率 60% 对应的分数点截断，再看此时的坏账率是否可接受。
5. 模型监控与迭代：用 PSI 和 KS 曲线做线上预警
模型上线不是终点，而是起点。我一般会在线上部署两个监控指标：PSI 和滚动 KS。PSI 监控分数分布，滚动 KS 监控区分度。具体做法是每天取线上样本，计算当日分数分布和训练集分数分布的 PSI，同时用当日有表现标签的样本计算 KS。如果 PSI 连续三天大于 0.1，或者滚动 KS 连续一周下降超过 20%，触发预警。
def calculate_psi(expected, actual, bins=10): """计算 PSI，expected 是训练集分数，actual 是线上分数""" breakpoints = np.percentile(expected, np.linspace(0, 100, bins + 1)) breakpoints[0] = -np.inf breakpoints[-1] = np.inf expected_percents = np.histogram(expected, breakpoints)[0] / len(expected) actual_percents = np.histogram(actual, breakpoints)[0] / len(actual) # 防止除零 expected_percents = np.where(expected_percents == 0, 0.0001, expected_percents) actual_percents = np.where(actual_percents == 0, 0.0001, actual_percents) psi = np.sum((actual_percents - expected_percents) * np.log(actual_percents / expected_percents)) return psi # 模拟：训练集分数和线上分数 train_scores = lr.predict_proba(X_train_woe)[:, 1] online_scores = lr.predict_proba(X_test_woe)[:, 1] # 实际应用时替换为线上真实分数 psi_value = calculate_psi(train_scores, online_scores) print(f"PSI: {psi_value:.4f}") if psi_value > 0.25: print("警告：分数分布显著漂移，建议重新训练模型") elif psi_value > 0.1: print("注意：分数分布轻微漂移，持续监控") else: print("正常：分数分布稳定")这段代码的核心是np.histogram按训练集分位数切箱，保证每箱在训练集中样本量均衡。0.0001是平滑项，避免 log 零。PSI 的判断阈值：小于 0.1 稳定，0.1 到 0.25 轻微漂移，大于 0.25 显著漂移。
除了 PSI，我还会看特征层面的稳定性。对每个入模特征，每周计算线上均值和训练均值的偏差，偏差超过 20% 就排查数据采集链路。有一次线上某个特征均值突然翻倍，查下来是上游数据源改了字段含义，这种问题不监控根本发现不了。
最后说一个我自己的习惯：每次模型迭代，我都会把上一版的 PSI 曲线、KS 曲线、阈值通过率-坏账率曲线三张图放在一起对比。如果新版模型在通过率不变的情况下坏账率下降，或者坏账率不变的情况下通过率提升，才算有效迭代。否则宁可不上线，因为风控模型每一次切换都有成本，包括系统改造、策略调整、人工审核培训。希望帮到你。
本文还有配套的精品资源，点击获取
