第python算法深入理解風控中的KS原理目錄一、業務背景二、直觀理解區分度的概念三、KS統計量的定義四、KS計算過程及業務分析KS常用的計算方法：上標指標計算邏輯：五、風控中選擇KS的原因例1：模糊性例2：連續性

一、業務背景

在金融風控領域，常常使用KS指標來衡量評估模型的區分度（discrimination），這也是風控模型最為追求的指標之一。下面將從區分度概念、KS計算方法、業務指導意義、幾何解析、數學思想等角度，對KS進行深入剖析。

二、直觀理解區分度的概念

在數據探索中，若想大致判斷自變量x對因變量y有沒有區分度，常會將樣本分為正負來觀察變量的分布差異。那么，如何判斷自變量是有用的？直觀理解，如果兩個分布的重疊部分越小，代表正負樣本的差異性越大，自變量就能更好的將正負樣本區分開來。具體如圖1所示。

打個比方，想象這個變量就是一雙手，把這個分布往兩邊拉開。這雙手的力量越大，兩個概率分布間隔就越遠，說明變量區分性就越強。

圖1-正負樣本分布差異對比

importmatplotlib

importnumpyasnp

importmatplotlib.pyplotasplt

mu=100#meanofdistribution

sigma=15#standarddeviationofdistribution

x=mu+sigma*np.random.randn(20000)

num_bins=80

fig,ax=plt.subplots()

#thehistogramofthedata

n,bins,patches=ax.hist(x,num_bins,density=1)

n1,bins1,patches1=ax.hist(x-20,num_bins,density=1)

#adda'bestfit'line

y=((1/(np.sqrt(2*np.pi)*sigma))*np.exp(-0.5*(1/sigma*(bins-mu))**2))

y1=((1/(np.sqrt(2*np.pi)*sigma))*np.exp(-0.5*(1/sigma*(bins-mu))**2))

ax.plot(bins,y,'--',label='bads')

ax.plot(bins1,y,'--',label='goods')

ax.set_xlabel('Varible')

ax.set_ylabel('Probabilitydensity')

ax.set_title('Distributionofbadsandgoods')

fig.tight_layout()

plt.grid(True,linestyle=':',color='r',alpha=0.7)

plt.legend()

plt.show()

三、KS統計量的定義

KS（Kolmogorov-Smirnov）統計量由兩位蘇聯科學家A.N.Kolmogorov和N.V.Smirnov提出。

在風控中KS通常用于評估模型區分度，區分度越大，說明模型風險排序能力越強。

KS是基于經驗累積分布函數（EmporicalCumulativeDistributionFunction,ecdf）建立的

四、KS計算過程及業務分析

KS常用的計算方法：

step1：對變量進行分箱（binning），可以選擇等頻、等距或者自定義距離。

step2：計算每個分箱區間的好樣本數（goods）與壞樣本數（bads）。

step3：計算每個分箱區間內累計好客戶占總好客戶比值（cum_good_rate）和累計壞客戶占總壞客戶比值（cum_bad_rate）。

step4：計算每個分箱區間累計壞客戶占比與累計好客戶占比的絕對值，得到KS曲線，也就是：

step5：在這些絕對值中取最大值，得到此變量的最終KS值。

為了便于理解，以具體的數據展示上述過程：

表1-KS計算過程表

上標指標計算邏輯：

從上表中可以得到以下信息：

1.模型分數越高，逾期率越低，因此低分段bad_rate相對于高分段更高，cum_bad_rate曲線增長速率會比cum_good_rate更快。cum_bad_rate曲線在cum_good_rate曲線上方。

2.每個分箱樣本數量基本相同，說明是等頻分箱。

3.如將cutoff限定為0.65，則其cum_bad_rate為82.75%，表示有82.75%的壞客戶會被拒絕，但同時cum_good_rate為29.69%，表示同時會有29.69%的好客戶會被拒絕。

4.根據bad_rate的變化趨勢，模型的排序性很好。如果是A卡，對排序性的要求會更高，因為需要根據風險等級對用戶風險定價。

5.模型的KS達到53.1%，區分度較強，這是最理想的狀態，實際業務應用中需要根據預設條件權衡通過率與壞賬率的關系，一般cutoff不會選在理想值處，因此可知，KS是區分度的上限。

6.對于A卡來說，通常KS很難達到52%，因此，若上表數據為A卡結果，需要進一步確認模型是否發生過擬合。

需要進一步指出的是，KS是在放貸樣本上評估的，放貸樣本對于全量樣本永遠是有偏的。對于裸奔風控系統，偏差會很?。环粗绻L控系統做的越好，偏差就會越大。因此KS不僅僅只是一個數字，其背后蘊藏的很多原因，需要結合業務進行具體分析。

當KS不佳時，為了達到預期目的，可進行以下校驗：

1.檢驗入模變量是否已被策略使用，使用重復變量會導致模型無法命中本應被命中的壞客戶，導致模型效果下降。

2.檢驗訓練樣本與驗證樣本之間的客群差異是否明顯，其中包括時間分布，某些特征分布、特殊特征命中情況等。

3.開發對目標場景更具針對性的新特征，比如稅務場景，在進行特征衍生時，更加關注稅務指標；如識別長期風險，就使用強金融屬性變量，對于欺詐風險，就使用一些短期的負面變量。

4.分群建模，但須考慮穩定性與差異性，防止過擬合。

5.壞客戶分析，試圖通過個性推共性。

對表1數據進行可視化，便得到KS曲線，主要使用到最后三列數據，即cum_good_rate、cum_bad_rate和KS，具體代碼和圖像如下：

importmatplotlibasmpl

importmatplotlib.pyplotasplt

importnumpyasnp

cum_good_rate=np.array([0.00,0.05,0.12,0.20,0.30,0.41,0.53,0.71,0.86,1.00])

cum_bad_rate=np.array([0.26,0.45,0.59,0.72,0.83,0.90,0.97,0.99,1.00,1.00])

x=np.linspace(0,1,10)

plt.plot(x,cum_good_rate,label='cum_good_rate')

plt.plot(x,cum_bad_rate,label='cum_bad_rate')

plt.plot(x,cum_bad_rate-cum_good_rate,label='KS')

plt.title('KSCurve',fontsize=16)

plt.grid(True,linestyle=':',color='r',alpha=0.7)

plt.axhline(y=0.53,c='r',ls='--',lw=3)#繪制平行于x軸的水平參考線

plt.axvline(x=0.43,c='r',ls='--',lw=3)#繪制平行于y軸的垂直參考線

plt.legend()

plt.show()

圖2-KS曲線

至此，我們已經了解了KS的計算的基本流程、評價標準、業務指導意義和優化思路，接下來有幾個問題：

1.為什么風控中常用KS來評價模型效果，而不是使用準確率、召回率等？

2.最大KS只是一個宏觀的結果，那么在不同的cutoff下取到max，模型效果有何差異？

3.一般情況下，KS越大越好，但為什么通常認為高于75%的KS就不可靠了？

五、風控中選擇KS的原因

風控建模過程中，常把樣本標簽分為GBIX四類，其中：G=Good（好人，標記為0），B=Bad（壞人，標記為1），I=Indeterminate（不定，未進入表現期），X=Exclusion（排斥，異常樣本）。

需要指出的是，Good與Bad之間的定義往往是模糊的、連續的，依賴于實際業務需求。這里舉兩個例子幫助理解：

例1：模糊性

對于12期信貸產品，如果設定表現期為前6期，S6D15（前6期中，任意一期逾期超15天）就是1，否則為0；但后來如果把表現期調整為3期，那么對于**“前3期都正常還款，但4~6期才發生逾期并超過15天”**的這部分樣本，原本所定義的label就從1變成了0.因此業務需求不同，導致標簽的定義不是絕對的。所以說，好壞樣本定義一定要根據實際業務需求來，要在對業務進行充分理解與分析的基礎上進行確定，而不是拍腦袋而為之。

例2：連續性

定義首期逾期超30天為1，否則為0。但是，逾期29天與逾期31天的用戶之間其實并沒有不可跨越的硬間隔，逾期29天的用戶可能會進一步惡化為逾期31天。

由于逾期嚴重程度定義本身就帶有一定的主觀色彩，我們很難說逾期天數差幾天有多少本質差異，所以哪怕我們為了轉化為分類問題做了硬性的1和0的界限定義，但業務上理解還是一個連續問題。

因