IV（Information Value） 是一种衡量单个特征（通常已分箱处理）对目标变量（如违约=1，未违约=0）区分度的指标，在金融风控和评分卡建模中被广泛应用。通过 IV 值可以迅速判断某个特征对好坏样本的区分能力是强还是弱，从而辅助特征筛选与模型构建。

1. IV 的计算公式

若某特征按一定方式被分成 kkk 个“箱”（或类别），则定义：

IV=∑i=1k((Goodi/GoodAll)−(Badi/BadAll))×ln⁡(Goodi/GoodAllBadi/BadAll)

\text{IV} = \sum_{i=1}^{k} \Bigl( (\text{Good}_i / \text{Good}_\text{All}) - (\text{Bad}_i / \text{Bad}_\text{All}) \Bigr) \times \ln\Bigl( \frac{\text{Good}_i / \text{Good}_\text{All}}{\text{Bad}_i / \text{Bad}_\text{All}} \Bigr)

IV=i=1∑k​((Goodi​/GoodAll​)−(Badi​/BadAll​))×ln(Badi​/BadAll​Goodi​/GoodAll​​)

其中：

Goodi\text{Good}_iGoodi​ / Badi\text{Bad}_iBadi​ 表示在第 iii 个分箱内的好样本数 / 坏样本数GoodAll\text{Good}_\text{All}GoodAll​ / BadAll\text{Bad}_\text{All}BadAll​ 分别是全样本中好样本 / 坏样本的总数ln⁡(⋅)\ln(\cdot)ln(⋅) 中的表达式即该箱的 WOE（Weight of Evidence） 值

从公式可见，IV 是由各箱的 WOE 值加权（权重为 (Goodi/GoodAll)−(Badi/BadAll)(\text{Good}_i / \text{Good}_\text{All}) - (\text{Bad}_i / \text{Bad}_\text{All})(Goodi​/GoodAll​)−(Badi​/BadAll​)）累加而成。

2. IV 的含义

IV 值本质：它刻画了“该特征的分箱”在区分好/坏样本时提供的信息量。区分度越强：好、坏样本在各分箱的分布差异越大，WOE 越是正负分明，进而 IV 值越大。若某分箱中 好/坏比例与整体比例相差无几，则对区分度贡献小，IV 增加也很有限。

3. 经验阈值

在信用评分领域，人们常用以下经验参考（不同来源可能略有差异）：

0

特征可能是强相关或包含明显泄露，需谨慎检验

注意：这些阈值只是业界通用的经验，不是硬性标准；还需结合业务知识和整体模型效果综合判断。

4. IV 与 WOE 的关系

WOE（Weight of Evidence）：衡量某分箱（或类别）“好坏比率”相对整体的偏离程度，常用于将分箱变量映射为对数比率。IV（Information Value）：把每个分箱的 WOE 按对应好坏分布的差值加权累加，得到一个特征整体的区分能力指标。

换言之，IV = ∑\sum∑ (Difference in proportion of Good & Bad) ×\times× WOE。

5. IV 在评分卡模型中的应用

特征筛选

在模型建模前，对各个特征做分箱，并计算其 IV；若某特征 IV 很低（< 0.02），说明它对区分好坏用户帮助不大，可考虑剔除或降权处理。

监控特征稳定

在模型上线后，可以定期检查特征的分箱分布与 IV 是否出现大幅波动。若 IV 有显著下降，可能意味着该特征对当前业务环境下区分度降低，需要重新建模或做模型校准。

合并分箱或拆分

若某分箱的 WOE 波动大或贡献太小，会影响整体 IV。可以合并相邻分箱或重新分箱，以期提升整体的区分度并保持单调性（在评分卡中常见）。

6. 总结

IV（Information Value） 是量化特征对目标区分度的重要指标，基于分箱后的好坏样本分布而计算。数值越大，特征在区分好坏方面越有“信息量”；反之则越弱。在信用评分/风控领域，IV 配合 WOE 广泛用于特征选择、模型解释和稳定性监控。通过维持分箱质量和监控 IV 值，可保证评分卡模型的区分能力和可解释性。