hscredit 文档
HENGSHU CREDIT · OPEN SOURCE RISK ENGINEERING
鉴真伪 · 斟信用 · 衡风险 · 枢定策
让信用风险建模有据可循
从真实信贷数据出发，把分箱、评分卡、规则与报告交付收进同一套中文工具链。
hscredit（衡枢真信） 是面向金融信贷行业的量化分析工具箱，为风控策略分析人员与 模型人员提供覆盖 数据探索、变量评估、分箱编码、特征筛选、评分卡建模、机器学习风控 模型、策略规则分析、模型监控与报告交付 的全流程能力。
所有组件均遵循 scikit-learn 的 BaseEstimator / TransformerMixin 接口范式，
可直接嵌入 Pipeline；所有面向用户的输出（列名、报告、图表、错误信息）均为 中文。
备注
当前版本 0.1.2。基础安装保持轻量，Boosting、深度学习、调参、解释、PMML 等能力按需安装，详见 安装。
能力一览
风控工作 |
能力规模 |
说明 |
|---|---|---|
数据探索分析 |
57 种 EDA |
数据质量、目标分布、坏率趋势、客群画像/迁移、Vintage、Roll Rate、策略仿真 |
变量分箱 |
17 种分箱器 |
等频/等宽/卡方/树/CART/Best IV/Best KS/Best Lift/MDLP/OR-Tools/CP-SAT/KMeans/单调/遗传/平滑/核密度/目标坏率/二维分箱 |
特征编码 |
9 种编码器 |
WOE、目标编码、频数编码、独热、序数、分位数、CatBoost/GBM 编码 |
特征筛选 |
23 种筛选器 |
缺失率、众数率、方差、相关性、VIF、IV、Lift、PSI、模型重要性、逐步回归、Boruta |
风控指标 |
43 种指标 |
KS、AUC、Gini、Lift、坏率、IV、PSI、CSI、分箱统计、分类与回归指标 |
模型训练 |
36 个建模组件 |
逻辑回归、评分卡、随机森林、GBDT、XGBoost、LightGBM、CatBoost、NGBoost、规则模型 |
可视化分析 |
46 种图表 |
分箱趋势、KS/ROC/PR/Lift/Gain、评分分布、策略阈值、Vintage、漂移、树图 |
报告交付 |
28 种报告工具 |
特征分析、规则分析、Swap 分析、逾期预测、模型报告、模型对比、Excel 输出 |
快速开始
pip install hscredit
from hscredit.utils.datasets import germancredit
from hscredit.core.binning import OptimalBinning
from hscredit.core.models import ScoreCard
df = germancredit()
X_train = df[["duration_in_month", "credit_amount", "age_in_years"]]
y_train = df["class"]
X_test = X_train.iloc[:20]
binner = OptimalBinning(method="best_iv", max_n_bins=5)
binner.fit(X_train, y_train)
X_woe = binner.transform(X_train, metric="woe")
scorecard = ScoreCard(pdo=60, rate=2, base_odds=35, base_score=750, binner=binner)
scorecard.fit(X_woe, y_train)
scores = scorecard.predict(X_test)
更多端到端示例见 快速开始。
入门
数据接入
Agent Skills