企业官网建设流程全解析

简介：面向高校计算机相关专业毕业设计与大作业场景，这份基于机器学习的贷中风险预测项目包含完整建模流程、源码、数据文件、配套文档与答辩演示，适合需要完成同类课题或进行实战练习的学生。资源共50个文件，压缩包约11MB，核心包括19个Python脚本、5个Notebook分析笔记、11个CSV数据文件、4份Word文档、3个Excel结果表及2套PPT，覆盖数据预处理、特征工程、模型训练与评估、结果导出等完整环节。已有62人学习使用。项目经导师指导并获高分，参考金融大数据建模挑战赛赛题整理，源码经本地编译调试可运行，内容涵盖数据清洗、特征衍生、主流模型比对与结果分析，并提供答辩展示材料，便于快速理解贷中风险预测的实现路径和项目组织方法，作为课程设计或毕业设计参考可显著节省从零搭建的时间。

1. 贷中风险预测模型到底在预测什么：为什么回测很好看的模型一上线就衰减

贷中风险预测，是信贷场景里比贷前评分卡更吃数据功底的建模任务：贷前你只能拿到申请资料和外部征信，贷中手里却握着客户过去半年到一年的真实还款行为。信息多了，陷阱也多了。我见过不少同学用 python 基于机器学习的贷中风险预测模型，回测 KS 做到 0.4 以上，上线三个月 KS 直接跌到 0.2，问题往往不是模型选得不好，而是标签定义穿越、样本切分不干净。这里把这类项目从样本窗口、标签、特征、训练、评估到上线的完整链路捋清楚，适合正在做贷中行为评分卡建模的从业者，也适合拿这个题目做毕业设计或答辩项目的同学。希望在动手之前，你能先避开那些最贵的坑。

2. 先定样本窗口和标签：观察点、表现期与坏客户定义

2.1 三个时间窗口先对齐：观察点、观察期、表现期

贷中风险预测最常犯的错，是还没把时间窗口画清楚就急着跑模型。所谓贷中，是客户已经在贷、额度已经放出去之后，每个月跑批一次，判断这个客户在未来一段时间内会不会变坏。我们不是拿"历史所有流水"直接建模，而是把账务历史切成三块：观察点、观察期、表现期。

观察点（T）是每个样本的评价时刻，通常取每个自然月的月底；观察期是 T 之前的一段时间，比如 12 个月，这里取特征；表现期是 T 之后的 3 到 6 个月，这里打标签。为了增加样本量，常见做法是把每个账户的每个月度快照都当成一个样本，一个用款两年的客户最多贡献二十多个样本。核心原则只有一条：特征只能来自观察点之前，标签只能来自观察点之后，中间不允许交叉。

先确认 python 环境里 pandas、numpy 这些基础包是齐的，没装好的先把 python 开发环境搭出来再往下走。下面这个函数生成最基础的样本表，注意 obs_months 传入你选定的那一批观察点月份。

import pandas as pd def build_sample_base(acct_month, obs_months, perf_months=3): """ acct_month: 账户月度快照，字段至少包含 account_id, month obs_months: 观察点列表，例如 2022-01 ~ 2022-10 各月 perf_months: 表现期月数，贷中一般取 3 """ df = acct_month[acct_month['month'].isin(obs_months)].copy() df['obs_month'] = df['month'] # 观察期起点：观察点往前推 12 个月 df['feat_start'] = pd.to_datetime(df['obs_month']) - pd.DateOffset(months=11) # 表现期终点：观察点往后推 perf_months 个月 df['perf_end'] = pd.to_datetime(df['obs_month']) + pd.DateOffset(months=perf_months) return df

obs_month、feat_start、perf_end 三个字段就是后面所有特征和标签的"时间围栏"。观察期取 12 个月是贷中建模的经验值：太短特征不稳定，太长早期行为对当前风险的解释力已经衰减，还会混入大量政策变化前的旧行为。如果手上数据只有半年，退而求其次用 6 个月也行，但特征含义要相应调整，"近12月最大逾期天数"这类特征就别硬造了。

2.2 好坏样本的判定规则：别用"是否逾期过"当标签

很多项目直接把"客户历史上有没有逾期"当 y，这是非常危险的标签定义。一个账户用了三年，第三年才逾期，如果观察点在第一年，这个样本其实是个好样本。所以贷中标签必须绑定表现期：观察点之后、表现期内，客户是否发生过指定程度的逾期。

逾期程度用 M 几来描述：M0 是未逾期，M1 是逾期 1 到 30 天，M2 是逾期 31 到 60 天，M3 是逾期 61 到 90 天。贷中行为评分卡一般把"表现期内最大逾期天数 >= 30 天"即 M2+ 作为坏样本。原因有两个：M1 噪声太大，很多人因为忘还、扣款失败晚了一两天，不等于真实风险；M2+ 已经能反映还款意愿或还款能力的实质性恶化。如果样本量足够，可以再尝试 M3+ 做稳健性测试，对比标签口径对模型排序能力的影响。

还需要做样本排除：观察点当天已经处于 M2+ 的账户不进样本；表现期内已经结清、核销、转人工催收的账户，要么排除，要么单独打标。这些"已经在坏状态"的账户混进来，等于把答案写进了训练集。下面这段代码用逾期流水表生成标签。

def assign_label(sample_base, overdue_flow, perf_months=3): """ overdue_flow: 账户-字段，至少包含 account_id, month, max_overdue_days 返回在表现期内是否发生 M2+（>=30天） """ start = pd.to_datetime(sample_base['obs_month']) end = start + pd.DateOffset(months=perf_months) # 只保留 (obs_month, perf_end] 区间的逾期记录 flow = overdue_flow[(overdue_flow['month'] > start) & (overdue_flow['month'] <= end)] worst = flow.groupby('account_id')['max_overdue_days'].max() sample_base['y'] = sample_base['account_id'].map(worst).fillna(0) sample_base['y'] = (sample_base['y'] >= 30).astype(int) return sample_base

两个容易忽略的点。第一，month 要统一存成日期类型，不要用 int 类型的 202201，否则区间比较会出乱子。第二，worst 取最大值而不是平均值，贷中风险是非对称的，客户只要坏一次就该被识别。标签定完之后务必看坏样本率：整体坏样本率低于 2%，后面要处理样本不均衡；高于 15%，大概率是观察点之前已经坏掉的客户混进来了，回去查排除逻辑。

2.3 特征工程：先复现这几组被验证过的行为特征

特征工程最容易写长也最容易骗自己。我的做法是先做一组被验证过有效的行为特征，再根据业务理解增量，而不是一上来堆几百个特征。贷中特征一般分四类：

下面计算两个最基础也最常用的特征，后续所有特征都可以按同样套路叠加。关键点：所有计算严格约束在 feat_start 到 obs_month 之间。

def gen_repay_feats(sample_base, repay_flow): """ repay_flow: 账户-月还款流水，需要 account_id, month, due_amt, repay_amt, overdue_days 生成近3月M1次数、近6月还款率 """ res = sample_base.copy() s = pd.to_datetime(res['obs_month']) - pd.DateOffset(months=2) m3_m1 = (repay_flow[(repay_flow['month'] >= s) & (repay_flow['overdue_days'].between(1, 30))] .groupby('account_id').size()) res['m1_cnt_3m'] = res['account_id'].map(m3_m1).fillna(0) s6 = pd.to_datetime(res['obs_month']) - pd.DateOffset(months=5) f6 = repay_flow[(repay_flow['month'] >= s6)] f6 = f6.groupby('account_id').agg( due_sum=('due_amt', 'sum'), repay_sum=('repay_amt', 'sum') ) res['repay_rate_6m'] = res['account_id'].map( (f6['repay_sum'] / f6['due_sum'].replace(0, np.nan)) ).fillna(0) return res

参数说明：近 3 月 M1 次数在实操里通常非常稀疏，大量客户取 0，分箱时要让第 0 箱单独存在；还款率分母为 0 用 NaN 填充再补 0，避免出现无穷值。这类特征可解释性强，贷中策略端非常看重这一点。特征做完后先跑一遍缺失率和取值分布，缺失率高于 80% 的直接丢掉，后续建模会省事很多。

3. 从逻辑回归到 LightGBM：用 python 机器学习常用包跑通建模流程

3.1 选型逻辑：为什么贷中主线用逻辑回归，LightGBM 做交叉验证

贷中模型的主流选择是逻辑回归，不是因为它效果最好，而是因为稳定、可解释、好上线。监管和内部审计要求你能说清楚每个特征的系数方向，逻辑回归天然满足这个要求；贷中数据量通常几十万样本起步，特征经过 WOE 编码后线性可分性也不错，逻辑回归的 KS 并不比树模型差太多。

用 python 机器学习常用包跑这套流程，核心是 sklearn 加 LightGBM 两类：sklearn 提供逻辑回归、KS 计算和网格搜索，LightGBM 负责验证"非线性关系还能不能再挖一点"。我一般把 LightGBM 当影子模型：如果它的验证集 AUC 比逻辑回归高很多，说明还有重要的非线性特征没挖出来；如果只高 0.01，那逻辑回归已经够用，直接上线更省心。

3.2 数据切分：按客户和时间切，不是随机切

贷中样本里同一个客户会出现很多次，如果随机切分，同一客户的不同月份样本会同时出现在训练集和验证集里，验证集 AUC 会虚高 0.05 到 0.1。正确做法是按客户分组切分，并尽量让验证集在时间上晚于训练集，模拟"用上个月学到的规律预测下个月"的真实场景。

实操上我推荐两段式切分：先按时间切出最后 20% 月份作为测试集，剩余样本按客户分组做 5 折交叉验证调参。测试集最后只评估一次，所有调参决策都基于验证集。

from sklearn.model_selection import GroupKFold from sklearn.linear_model import LogisticRegression # 先按时间切测试集 train_df = df[df['obs_month'] <= '2022-08-31'] test_df = df[df['obs_month'] > '2022-08-31'] X_cols = [c for c in train_df.columns if c.startswith('feat_')] y_col = 'y' # 按客户分组做交叉验证，避免同一客户泄露 gkf = GroupKFold(n_splits=5) for fold, (train_idx, val_idx) in enumerate( gkf.split(train_df, train_df[y_col], groups=train_df['account_id']) ): Xtr, Xval = train_df.iloc[train_idx][X_cols], train_df.iloc[val_idx][X_cols] ytr, yval = train_df.iloc[train_idx][y_col], train_df.iloc[val_idx][y_col] model = LogisticRegression(max_iter=500) model.fit(Xtr, ytr) # 这里记录 val_auc，后续用均值对比不同特征组合

注意两个细节。第一，GroupKFold 要求每个组里样本数不要差异过大，某几个客户样本太少的话，可以先按"客户-表现期"聚合后再切。第二，切分后要检查训练集和验证集的坏样本率是否接近，如果验证集坏样本率只剩 1%，说明时间切点选得不对，或者该时段贷后政策发生了大变化。

3.3 逻辑回归的 WOE 分箱与训练：让回归结果可解释

直接拿原始特征喂逻辑回归也可以，但效果和稳定性都不如分箱后做 WOE 编码。分箱让特征与坏样本率的关系变得单调、平滑，减小极端值影响；WOE 编码把每一箱映射成"该箱客户相对总体是更优还是更坏"的对数优势比。

分箱常用两种方式：等频分箱和决策树分箱。等频分箱简单，但遇到取值高度集中的特征会分出很多空箱；决策树分箱更贴近风险切点，但容易过拟合。我一般先用等频分箱看分布，再对业务关键特征（比如额度使用率）手工调整切点，保证每箱坏样本率单调。

import numpy as np def woe_encode(df, feature, target='y', bins=10): tmp = df[[feature, target]].copy() tmp['bin'] = pd.qcut(tmp[feature], q=bins, duplicates='drop') g = tmp.groupby('bin', observed=False)[target].agg(['sum', 'count']) g['bad'] = g['sum'] g['good'] = g['count'] - g['sum'] g['bad_pct'] = g['bad'] / g['bad'].sum() g['good_pct'] = g['good'] / g['good'].sum() # 避免除零 g['bad_pct'] = g['bad_pct'].replace(0, 1e-6) g['good_pct'] = g['good_pct'].replace(0, 1e-6) g['woe'] = np.log(g['good_pct'] / g['bad_pct']) g['iv'] = (g['good_pct'] - g['bad_pct']) * g['woe'] return g, g['iv'].sum()

WOE 的符号要重点检查：额度使用率越高，WOE 应该越低，也就是越坏。如果某个特征的 WOE 方向和业务直觉相反，且不是特征定义写反了，这个特征不能直接进模型，否则每次评审都要解释一遍"为什么使用率更高的客户反而更安全"。IV 值参考线：小于 0.02 区分度很弱，0.02 到 0.1 中等，0.1 以上算强。贷中场景有还款行为类强特征，IV 超过 0.3 并不罕见。

WOE 编码做完后训练逻辑回归，要注意多重共线性。我习惯先算 WOE 特征相关性矩阵，绝对值超过 0.7 的两个特征只保留 IV 更大的那个；训练完再打印每个特征的系数和标准误，系数正负号异常的优先排查。

3.4 LightGBM 参数设置与早停：别一上来就 1000 棵树

LightGBM 在贷中场景里通常用来做基准对比或最终提效。参数设置给一组常用起点值，不是最优，但是能稳定出结果的范围。

import lightgbm as lgb params = { 'objective': 'binary', 'metric': 'auc', 'learning_rate': 0.03, 'num_leaves': 63, 'max_depth': 6, 'min_child_samples': 200, 'subsample': 0.8, 'subsample_freq': 1, 'colsample_bytree': 0.8, 'reg_alpha': 0.1, 'reg_lambda': 1.0, 'verbose': -1, 'seed': 42 } dtrain = lgb.Dataset(Xtr, label=ytr) dvalid = lgb.Dataset(Xval, label=yval, reference=dtrain) model = lgb.train( params, dtrain, num_boost_round=2000, valid_sets=[dvalid], callbacks=[lgb.early_stopping(100), lgb.log_evaluation(50)] )

early_stopping 轮数我习惯设 100，别设 500，否则浪费训练时间还容易过拟合。LightGBM 结果还要和逻辑回归对比：只高一点点的话，上线成本高、可解释性差，不值得换；AUC 高出 0.03 以上，就可以考虑双模型并行，线上用逻辑回归做基础决策，LightGBM 做辅助排序。

4. 模型评估与上线前检查：KS、PSI、过拟合三个关口

4.1 KS 和 AUC 怎么算，贷中阈值怎么定

贷中模型评估不看准确率，看排序和区分度。最常用的两个指标是 KS 和 AUC。KS 是累计坏样本率与累计好样本率差值的最大值，刻画"按分数排序后，好坏客户被分开的最大程度"；AUC 本质是随机抽一个好客户和一个坏客户，模型把坏客户排在好客户前面的概率。

贷中的经验线是：验证集 KS 大于 0.3、AUC 大于 0.75，模型有可用价值；KS 低于 0.25，要么特征没做透，要么好坏标签定义有问题。如果训练集 KS 0.45、验证集 KS 0.3，过拟合已经很明显了。

from sklearn.metrics import roc_auc_score def ks_score(y_true, y_prob): df = pd.DataFrame({'y': y_true, 'p': y_prob}) df = df.sort_values('p', ascending=False).reset_index(drop=True) df['cum_bad'] = df['y'].cumsum() / df['y'].sum() df['cum_good'] = (1 - df['y']).cumsum() / (1 - df['y']).sum() return (df['cum_bad'] - df['cum_good']).max() ks = ks_score(y_val, y_prob) auc = roc_auc_score(y_val, y_prob) print(f"KS: {ks:.4f}, AUC: {auc:.4f}")

阈值怎么定？贷中输出预测概率后，把验证集按概率从高到低排序，画出"通过率-坏账率"曲线。业务方会给出目标坏账率，比如月度贷中坏账率控制在 1.5%，你反查对应的通过率和分数切点。一般决策不是"概率大于 0.5 就拒绝"，而是"拒绝预测风险最高的一批客户"，比如取分数最低的 5% 或 10% 客户。这样做业务量可控，模型影响容易被观察。

4.2 PSI：模型上线前的特征稳定性测试

KS 好不等于能上线。上线后面对的客户分布和训练时不一样，贷中客户会随准入政策、额度策略变化。PSI 用来度量两个分布偏移程度。常用线：小于 0.1 稳定，0.1 到 0.25 有偏移需要关注，大于 0.25 分布发生重大变化，基本需要重建或重训。

def psi_score(expected, actual, bins=10): expected = pd.Series(expected).dropna() actual = pd.Series(actual).dropna() # 以 expected 的分位数为箱边界，固定切分规则 edges = np.quantile(expected, np.linspace(0, 1, bins + 1)) edges[0], edges[-1] = -np.inf, np.inf e_cut = pd.cut(expected, bins=edges, include_lowest=True) a_cut = pd.cut(actual, bins=edges, include_lowest=True) e_cnt = e_cut.value_counts().sort_index() a_cnt = a_cut.value_counts().sort_index() e_pct = e_cnt / e_cnt.sum() a_pct = a_cnt / a_cnt.sum() a_pct = a_pct.reindex(e_pct.index, fill_value=1e-6) psi = ((e_pct - a_pct) * np.log(e_pct / a_pct)).sum() return psi

这里最容易出错的是分箱方式：一定先用训练集分布定箱边界，再用同一批边界去切线上分布，否则两边的箱边界不一致，PSI 会被高估。如果报 "Bin edges must be unique"，说明变量大量重复值，先对 expected 做轻微扰动或改用 rank 分位。在特征工程阶段就可以用 PSI 做特征筛选，剔除掉"近1天还款次数"这种预测能力尚可但天然不稳定的特征，否则模型上线后每周都在报警。

4.3 过拟合诊断：训练集和验证集差距多大要警惕

过拟合的常规判断是训练集和验证集指标差距。AUC 或 KS 差距在 0.05 以内属于正常泛化损耗，0.05 到 0.1 要警惕，超过 0.1 基本就是模型记住了训练数据里的噪声。出现这种情况，优先调低模型复杂度，而不是继续加特征或加大训练轮数。

实操上我会把训练集和验证集的 KS 画在同一张图上，一眼就能看出差距。LightGBM 的 feature_importance 也要检查：如果排名最靠前的特征里有明显的时间属性，比如"最近5分钟还款次数"这种快到分钟级的变量，赶紧拿掉。贷中模型的特征必须经得起跨时间的稳定性考验，时间粒度太细的特征天然不稳。

# 输出 LightGBM 特征重要性，按 gain 排序 imp = pd.Series( model.feature_importance(importance_type='gain'), index=X_cols ).sort_values(ascending=False) print(imp.head(10))

如果逻辑回归模型，则直接看系数绝对值排名，并核对前 5 个特征的方向是否符合业务直觉。贷中模型不需要上百个特征，20 到 40 个经过筛选的、方向明确的特征，往往比 300 个特征堆出来的模型更耐打。

5. 避坑：贷中建模最容易被坑的 5 个位置

5.1 特征穿越：回测 KS 很高，上线直接失效

现象：回测 KS 做到 0.5 以上，上线一个多月 KS 直接跌到 0.2 以下。

原因：特征或标签里混入了观察点之后的信息，也就是特征穿越。最常见的是用逾期流水生成特征时过滤条件写错月份，把表现期的数据也统计进去了；还有一种是把"客户当前是否 M2+"当特征，这在某个时间点是已知状态，但在观察点当天其实是未来信息。

解决：把观察期和表现期的日期围栏写成全局变量，任何特征代码都从 sample_base 的 feat_start、obs_month、perf_end 三个字段取时间，不手写月份。建模前做一次"答案注入检测"：把表现期内的标签信息，比如表现期内最大逾期天数，临时伪装成特征放进模型，如果这个伪特征重要性排第一，说明时间围栏有漏洞，回去查数据链路。

5.2 同客户多月份样本串组，验证集虚高

现象：随机切分后验证集 AUC 比按时间切高出 0.08，看起来模型很棒，上线后打五折。

原因：同一个客户在训练集和验证集里都有样本，模型实际上在用该客户前几个月的行为预测后几个月的标签，客户个体信息泄漏到验证集里。

解决：所有交叉验证都用 GroupKFold 按 account_id 分组；测试集必须晚于训练集，且测试集客户不得出现在训练集里。代码上只需要把 random split 全部替换成 group-aware split，方案在 3.2 节已经给了。很多开源源码包默认用的是随机切分，拿到别人代码第一步就是改这个。

5.3 已逾期客户进样本，等于把答案写进卷子

现象：标签坏样本率高达 25%，模型 KS 很高，但策略人员一看就说模型不能用。

原因：没有剔除观察点当天已经在逾期的账户。这些账户在表现期内大概率继续坏，而且坏的状态在观察点就已知，预测它们没有意义，只是放大了模型的区分度。

解决：观察点当天逾期天数大于等于 30 的样本直接剔除，只留"当时还是好的、后来变坏"的样本。贷中模型的目标永远是识别从好变坏的趋势，而不是识别已经变坏的客户。识别后者是催收分群要解决的事，不是风险预测。

5.4 准确率陷阱：99% 的准确率照样没用

现象：项目汇报时展示准确率 98%，评审问 KS 和 AUC，答不上来。

原因：贷中正样本率通常只有 3% 到 5%，全预测"不会逾期"准确率也有 95% 以上，准确率在这个场景里没有区分能力。

解决：汇报指标统一用 KS、AUC、Recall、Precision@Top5% 这类。Top5% 查全率的含义是"按预测风险从高到低拒绝最危险的 5% 客户，能覆盖多少真实坏客户"，这个指标比准确率直观得多，业务和评审都能听懂。源码包里如果只算了 accuracy，记得自己补上这批指标。

5.5 上线后不监控，模型是被策略"用废"的

现象：模型上线半年后回测 PSI 0.35，重新训练收益也不明显，有人开始怀疑模型本身不行。

原因：线上策略在模型分数之外还叠加了人工规则和额度调整，实际流入模型的客户分布早就不是训练时那个分布；长期不重训，排序能力自然会退化。

解决：上线前把分数分布存档，上线后每周跑一次分数 PSI 和特征 PSI，大于 0.25 就发警告；同时记录"模型命中率"和"策略实际拒绝率"两条指标。分数分布漂移往往先于坏账率恶化出现，监控脚本应当和模型部署一起交付，不能等出了事再写。

6. 从影子运行到答辩 PPT：把模型讲清楚比调参数更值钱

6.1 影子运行：先双跑一个月再说

新模型上线前，我习惯让它跟老模型并行跑三十天，只记录分数和决策结果，不实际干预业务。这段时间用来观察新模型的分数分布是否稳定，以及它挑出的高风险客户是不是业务想拒的那批。影子运行期不需要复杂平台，一份脚本每天把新老模型分数拉出来做 diff 就够。

def shadow_check(old_score, new_score, top=0.05): old_top = set(old_score.nsmallest(int(len(old_score) * top)).index) new_top = set(new_score.nsmallest(int(len(new_score) * top)).index) print('top5%变化率:', len(old_top ^ new_top) / len(old_top))

影子运行不只是技术验证，也是给业务方的信心证据。连续 30 天风险人群重叠率稳定，才敢切实际策略。

6.2 答辩 PPT 和高分项目文档怎么讲

拿现成源码和文档做答辩的同学，最容易把 PPT 写成 API 文档。评审更想听的是判断过程：为什么坏样本定义为 M2+？为什么观察期取 12 个月？为什么不用随机切分？每一个选择看一眼源码都知道，但"为什么这么选"才是项目含金量。

我的建议是 PPT 按四页讲主线：第一页，样本定义和时间窗口图；第二页，坏样本率、样本量、特征 IV 分布表；第三页，模型评估，训练集验证集测试集的 KS/AUC 对比和阈值切分依据；第四页，上线后的稳定性监控计划。文档里把第 5 章那类踩坑记录写进去，比漂亮的正样本率更让评审信服——真正的风控项目，都是在坑里爬出来的。

这套贷中风险预测模型的完整链路，从时间窗口到上线监控，每一步都比调参更值得花时间。做完之后最大的收获，是你会对"哪些信息在观察点当天真的已知"产生肌肉记忆，这个判断能力比任何模型里的超参数都值钱。希望帮到你。

本文还有配套的精品资源，点击获取