القائمة
信用评分卡模型工具，实现WOE/IV计算、简化逻辑回归评分卡与Altman Z-Score违约预测。适用于风控建模教学与评分卡原型验证。模型基于简化假设和历史数据，需人工复核，且评分卡模型可能产生歧视性结果，不适用于受保护群体的信用评估。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/openJiuwen-ai/agent-store --skill credit-scoringيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
异常检测预警。基于规则引擎对网点运营数据执行异常检测，输出 CRITICAL/WARN/INFO 三级预警。触发词：异常检测、风险预警、今日预警、告警、有没有异常。当用户提到异常检测相关查询时触发。
网点数据查询。通过 NL2SQL 将自然语言转换为 SQL 语句，查询网点交易、客流、营销数据。支持大额交易、交易汇总、失败交易、对公客户等查询。触发词：今天大额交易、交易情况、客流量、营销转化率、失败交易、对公客户、交易汇总。当用户提到网点运营数据查询时触发。
网点全景概览。组合调用前三个 Skill 生成日终运营报告。触发词：网点概况、今日运营、日终报告、全景概览、整体情况。当用户提到网点全景查询时触发。
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | credit-scoring |
| description | 信用评分卡模型工具，实现WOE/IV计算、简化逻辑回归评分卡与Altman Z-Score违约预测。适用于风控建模教学与评分卡原型验证。模型基于简化假设和历史数据，需人工复核，且评分卡模型可能产生歧视性结果，不适用于受保护群体的信用评估。 |
| version | 1.0.0 |
| author | wangyi |
信用评分模型工具，基于财务比率构建评分卡，使用简化逻辑回归（标准库实现）评估企业或个人违约风险。
LogisticRegression简化逻辑回归模型，使用梯度下降法求解。
LogisticRegression.fit(X, y) — 训练逻辑回归模型。LogisticRegression.predict_proba(x) — 预测违约概率。LogisticRegression.predict(x, threshold) — 预测类别。calculate_woe_iv(data, n_bins=10)计算 WOE（Weight of Evidence）和 IV（Information Value）。 必填: data
probability_to_score(pd, base_score=600, pdo=20, base_odds=1 / 20)将违约概率转换为信用评分。 必填: pd
build_scorecard(model, feature_names)构建评分卡。 必填: model, feature_names
credit_scoring(financial_ratios, model=None, feature_names=None, base_score=600, pdo=20)信用评分完整流程。 必填: financial_ratios
altman_zscore_scoring(financials, base_score=600, pdo=20)基于 Altman Z-Score 的信用评分。 必填: financials
fit(X, y)训练逻辑回归模型。 必填: X, y
predict_proba(x)预测违约概率。 必填: x
predict(x, threshold=0.5)预测类别。 必填: x
python scripts/main.py \
--data <data> \
--n-bins <n_bins> \