AI+金融应用入门：用 Python 搭建一个本地信用评分小模型
AI+金融应用并不一定从复杂的大模型开始，很多实际需求可以用结构化数据和传统机器学习完成。
本文针对想动手体验的零基础读者，用 Python 搭建一个本地信用评分小模型，覆盖数据准备、训练、接口封装和效果验证。
适用条件是：你有一台能安装 Python 3.9 及以上版本的电脑或服务器，不需要显卡，也不需要真实金融数据。
先确认环境和目录结构
开始前，确认 Python 和 pip 可用。
在终端执行：
python3 --version
pip3 --version如果提示命令不存在，Linux 可安装 python3 和 python3-pip，Windows 请从 Python 官网下载安装包并勾选“Add Python to PATH”。
接着创建项目目录和虚拟环境：
mkdir -p ~/ai-finance-demo && cd ~/ai-finance-demo
python3 -m venv venv
source venv/bin/activateWindows 激活命令为 venv\Scripts\activate。
激活后命令行前应出现 (venv)。
然后安装依赖：
pip install scikit-learn pandas fastapi uvicorn joblib如果下载慢，
可临时使用国内镜像源，
例如 pip install -i https:，
//pypi.tuna.tsinghua.edu.cn/simple ...
但不要长期写死不可靠的源。
构造一份可解释的模拟数据
金融场景对数据质量敏感，这里用模拟数据避免隐私问题。
在项目目录新建 make_data.py，内容如下：
import pandas as pd
import numpy as np
np.random.seed(42)
n = 500
income = np.random.normal(8000, 3000, n).clip(2000, 30000)
debt_ratio = np.random.uniform(0.1, 0.8, n)
late_count = np.random.poisson(1.2, n)
score = 700 - debt_ratio * 200 - late_count * 30 + income / 300
label = (score > 550).astype(int)
df = pd.DataFrame({
'income': income.round(2),
'debt_ratio': debt_ratio.round(3),
'late_count': late_count,
'label': label
})
df.to_csv('credit_data.csv', index=False)
print(df.head())
print('样本数:', len(df), '正例比例:', label.mean().round(2))执行 python make_data.py，应看到前 5 行数据和正例比例。
注意：这里只是教学模拟，真实业务需要合规授权和特征工程，不能直接用于信贷决策。
训练模型并保存
新建 train_model.py：
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, roc_auc_score
import joblib
df = pd.read_csv('credit_data.csv')
X = df[['income', 'debt_ratio', 'late_count']]
y = df['label']
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42, stratify=y
)
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
pred = model.predict(X_test)
prob = model.predict_proba(X_test)[:, 1]
print('准确率:', accuracy_score(y_test, pred).round(3))
print('AUC:', roc_auc_score(y_test, prob).round(3))
joblib.dump(model, 'credit_model.pkl')
print('模型已保存为 credit_model.pkl')运行 python train_model.py。
如果数据生成正常，应得到准确率和 AUC 数值，并生成模型文件。
若报 ModuleNotFoundError，回到虚拟环境检查依赖是否装全。
用 FastAPI 暴露预测接口
新建 app.py：
from fastapi import FastAPI
from pydantic import BaseModel
import joblib
import numpy as np
app = FastAPI()
model = joblib.load('credit_model.pkl')
class CreditInput(BaseModel):
income: float
debt_ratio: float
late_count: int
@app.post('/predict')
def predict(item: CreditInput):
features = np.array([[item.income, item.debt_ratio, item.late_count]])
prob = model.predict_proba(features)[0][1]
return {'default_risk': round(float(prob), 4)}启动服务：
uvicorn app:app --host 127.0.0.1 --port 8000另开终端测试：
curl -X POST http://127.0.0.1:8000/predict \
-H 'Content-Type: application/json' \
-d '{"income": 9000, "debt_ratio": 0.3, "late_count": 0}'应返回类似 {"default_risk":0.12} 的 JSON。
数值只代表模型输出，不是真实违约概率。
常见报错与避坑
- 端口被占用：启动时提示
Address already in use，换端口如--port 8001，或先用lsof -i:8000查看占用进程。 - 模型文件找不到：确保在项目目录启动，或把
credit_model.pkl路径写成绝对路径。 - 输入字段类型不匹配：
late_count必须是整数，传"0"字符串会触发校验错误，前端调用时注意类型转换。 - 不要用真实敏感数据练习：本文数据为模拟生成，真实金融数据涉及隐私和合规，需在授权环境中处理。
- 不要承诺模型效果：准确率和 AUC 只反映当前模拟数据，换数据后需重新评估，不能直接作为业务决策依据。
验证是否跑通
按顺序检查：credit_data.csv 是否存在且行数约 500；credit_model.pkl 是否生成；curl 请求是否返回 200 和 JSON 结果。
如果接口返回 422，优先检查请求体字段名和类型是否与 CreditInput 一致。
这套流程适合作为 AI+金融应用的入门练习，后续可以替换成真实脱敏数据、增加特征、加入模型版本管理。
但涉及实际金融业务时，需要专业风控和合规评估，不能仅凭本文模型上线。
