| 作者 |
| 张伟 等 |
| 丛书名 |
| 金融科技 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782111291821 |
| 简要 |
| 简介 |
| 这是一部指导信贷业务如何用智能风控、反欺诈的技术和方法实现风险控制的著作。 作者是经验丰富的智能风控算法专家，先后就职于头部的互联网公司的金融部门以及头部的公募基金公司，致力于人工智能算法在信贷风控领域的应用。 本书不仅体系化地讲解了智能风控和反欺诈的体系、算法、模型以及它们在信贷风控领域实践的全流程，而且还从业务和技术两个角度讲解了传统的金融风控体系如何与智能风控方法实现双剑合璧。全书以实战为导向，辅以多个用Python实现的综合案例，便于读者理解和实操。 全书共10章，逻辑上分为四个部分： 第1~3章是风控业务的基础，首先介绍了什么是信用风险和欺诈风险，然后讲解了传统风险管理体系中搭建评分卡的思路，以及智能风控时代数据和模型的技术框架。 第4~6章集中讲述了智能风控中常见的特征工程、算法原理和建模流程，包括梯度提升决策树、孤立森林、神经网络、词嵌入、图嵌入等前沿算法的数学原理和公式。 第7~9章是作者参与过的风控和反欺诈实战项目，通过案例和代码的形式，帮助读者更好地将风控理念和建模技术融会贯通。 ?第10章以金融科技行业的头部玩家为例，展望了智能风控和反欺诈技术未来的商业模式和发展方向。 |
| 目录 |
| [套装书具体书目] 8078740 - 智能风控与反欺诈：体系、算法与实践 - 9787111676256 - 机械工业出版社 - 定价 89 8084833 - 智能风控：评分卡建模原理、方法与风控策略构建 - 9787111695677 - 机械工业出版社 - 定价 89 ---------------------------8084833 - 智能风控：评分卡建模原理、方法与风控策略构建--------------------------- 《智能风控：评分卡建模》 第1章 导论 1.1 从几个常见面试问题说起 1.2 关于模型的认识 1.3 机器学习与深度学习 1.4 评分模型与评分卡模型 1.5 评分卡建模全流程 1.6 模型评价标准（技术角度和业务角度） 第2章 零售信贷业务产品和风险 2.1 银行零售信贷业务概述 2.2 银行零售信贷产品特征与业务流程 2.3 信用与信用风险 2.4 欺诈与欺诈风险 2.5 本章小结 第3章 从业务需求理解开始 3.1 明确要解决的问题 3.2 业务访谈需要了解什么 3.3 本章小结 第4章 源数据基础决定模型上限 4.1 数据决定了模型的上限 4.2 关于数据的认识 4.3 不同类型评分卡的可用数据 4.4 人行征信报告 4.5 金融大数据 4.6 数据质量诊断 4.7 业务数据分析 4.8 本章小结 第5章 特征工程提取有效的风险特征 5.1 特征工程概述 5.2 特征预处理 5.3 特征生成 5.4 特征选择与降维 5.5 实践案例 5.6 本章小结 第6章 评分卡模型设计 6.1模型设计概述 6.2 建模样本基础与排除规则 6.3 模型细分 6.3 表现期定义与账龄分析 6.4 目标定义与滚动率分析 6.5 观察期定义与逾期趋势分析 6.6 模型设计汇总计数 6.7 本章小结 第7章 评分卡模型开发 7.1 模型开发概述 7.2 样本分区与样本抽样 7.3 变量分箱 7.4 变量筛选 7.5 转换WOE 7.6 逻辑回归 7.7 评分标尺 7.8 实践案例 7.9 本章小结 第8章 评分卡模型验证 8.1 模型验证概述 8.2 模型验证方法 8.3 模型验证三阶段 8.4 本章小结 第9章 评分卡模型部署 9.1 模型部署概述 9.2 基于评分卡的规则化部署 9.3 基于PMML标准化部署 9.4 本章小结 第10章 评分卡模型监控 10.1 模型监控概述 10.2 前端监控 10.3 后端监控 10.4 本章小结 第11章 评分卡模型优化 11.1 模型优化概述 11.2 模型优化的触发条件 11.3 模型性能下降的原因诊断 11.4 模型优化方法 11.5 本章小结 第12章 拒绝推断问题 12.1 什么是拒绝推断 12.2 为什么要做拒绝推断 12.3 如何做拒绝推断 12.4 本章小结 第13章 评分卡模型可解释性、指向性与指导性 13.1模型可解释性 13.2 模型可解释性算法 13.3 评分卡模型的归因方法 13.4 基于PMML的Scorecard的模型可解释 13.5 本章小结 第14章 评分卡模型的其他常见关键问题 14.1 样本量不足条件下的建模问题 14.2 冷启动问题 14.3 分值集中度问题与分值分布偏斜问题 14.4 模型质量下降问题 14.6 本章小结 第15章 从评分卡模型到高维机器学习模型 15.1 理性看待传统评分卡模型 15.2 高维机器学习模型：XGBoost与LightGBM 15.3 从评分卡到高维机器学习模型 15.4 本章小结 第16章 构建基于评分卡的风险策略应用 16.1 策略的定义 16.2 策略与模型的关系 16.3 风险策略体系 16.4 实践案例：基于申请评分的自动化审批策略应用 16.5 更高阶的策略设计 16.6 本章小结 参考文献 ---------------------------8078740 - 智能风控与反欺诈：体系、算法与实践--------------------------- 推荐序 前 言 第1章 互联网金融与风险管理1 1.1 互联网金融的发展和现状1 1.2 风险管理类型划分2 1.2.1 欺诈风险4 1.2.2 信用风险6 1.3 风险管理的重要性10 1.3.1 风险评估10 1.3.2 差异化定价12 1.3.3 整体利润最优13 1.4 本章小结14 第2章 传统风险管理体系15 2.1 人工审核15 2.1.1 纸质材料评估16 2.1.2 电话回访16 2.1.3 线下走访尽调17 2.2 专家模型17 2.2.1 业务规则库17 2.2.2 专家调查权重法18 2.2.3 熵权法19 2.3 评分卡模型21 2.3.1 目标定义21 2.3.2 样本选取23 2.3.3 变量分箱24 2.3.4 变量筛选24 2.3.5 模型建立29 2.3.6 模型评估30 2.3.7 模型应用33 2.4 传统方法的问题和挑战34 2.5 本章小结35 第3章 智能风控模型体系36 3.1 大数据平台36 3.1.1 原始数据清洗37 3.1.2 数据仓库管理37 3.1.3 数据标签应用38 3.2 决策引擎38 3.2.1 规则配置39 3.2.2 模型部署40 3.2.3 冠军挑战者41 3.2.4 版本和权限管理42 3.3 智能反欺诈模型42 3.3.1 无监督学习43 3.3.2 图计算44 3.4 智能信用风险模型45 3.4.1 专家模型45 3.4.2 逻辑回归46 3.4.3 决策树46 3.4.4 集成树47 3.4.5 深度神经网络47 3.4.6 循环神经网络48 3.5 智能模型带来的提升48 3.5.1 数据广度和深度48 3.5.2 模型快速迭代和主动学习49 3.5.3 线上自动决策49 3.6 统计学与机器学习49 3.7 本章小结50 第4章 风控大数据体系51 4.1 数据源类型51 4.1.1 征信报告52 4.1.2 消费能力54 4.1.3 资产状况54 4.1.4 基本信息54 4.1.5 黑名单55 4.1.6 多头借贷55 4.1.7 运营商56 4.1.8 地理位置56 4.1.9 设备属性57 4.1.10 操作行为57 4.2 特征工程方法57 4.2.1 统计量58 4.2.2 离散化58 4.2.3 时间周期趋势59 4.2.4 交叉项59 4.2.5 隐性特征60 4.2.6 用户画像61 4.3 数据测试与应用61 4.3.1 联合建模机制61 4.3.2 数据质量评估62 4.3.3 线上应用63 4.4 数据安全合规63 4.5 本章小结64 第5章 智能风控中的常用算法68 5.1 有监督学习68 5.1.1 逻辑回归69 5.1.2 决策树70 5.1.3 随机森林73 5.1.4 梯度提升决策树74 5.2 无监督学习76 5.2.1 聚类76 5.2.2 孤立森林79 5.3 深度学习80 5.3.1 深度神经网络80 5.3.2 循环神经网络83 5.3.3 词嵌入86 5.3.4 自编码器88 5.3.5 迁移学习89 5.4 图计算91 5.4.1 社区发现91 5.4.2 标签传播92 5.4.3 图嵌入93 5.5 强化学习97 5.6 本章小结99 第6章 智能模型训练流程101 6.1 数据清洗101 6.1.1 缺失值处理102 6.1.2 异常值处理103 6.1.3 重复值处理105 6.1.4 一致性检验105 6.1.5 有效性检验106 6.2 特征工程和特征筛选107 6.2.1 探索性数据分析107 6.2.2 稳定性108 6.2.3 重要性109 6.2.4 相关性110 6.2.5 解释性111 6.3 模型训练111 6.4 模型部署114 6.5 监控预警114 6.6 本章小结119 第7章 反欺诈案例120 7.1 案例背景120 7.2 原始数据介绍120 7.3 探索性数据分析121 7.3.1 交易笔数121 7.3.2 交易时间122 7.3.3 交易类型123 7.3.4 交易IP地址124 7.4 特征工程124 7.4.1 特征加工124 7.4.2 特征筛选130 7.4.3 特征分组130 7.5 模型训练131 7.6 模型评估134 7.7 案例优化136 7.8 本章小结137 第8章 个人信贷风控案例138 8.1 案例背景138 8.2 原始数据介绍139 8.3 特征工程139 8.4 探索性数据分析142 8.5 模型训练144 8.5.1 逻辑回归144 8.5.2 XGBoost150 8.5.3 Wide&Deep158 8.6 模型评估162 8.7 模型应用168 8.8 案例优化169 8.9 本章小结170 第9章 企业信贷风控案例171 9.1 银行POS贷171 9.1.1 案例背景171 9.1.2 原始数据介绍172 9.1.3 特征工程173 9.1.4 模型训练173 9.1.5 模型应用176 9.2 汽车金融CP评级178 9.2.1 案例背景178 9.2.2 原始数据&特征工程179 9.2.3 模型训练179 9.2.4 模型评估181 9.3 案例优化182 9.4 本章小结183 第10章 智能风控能力对外输出184 10.1 对外输出的意义184 10.1.1 内部能力“走出去”185 10.1.2 外部资源“引进来”185 10.2 头部玩家介绍186 10.2.1 互联网公司186 10.2.2 银行科技子公司189 10.2.3 第三方技术提供商190 10.3 合作模式及案例191 10.3.1 SaaS +本地化模式192 10.3.2 对外输出案例193 10.4 金融科技创新与监管195 10.5 本章小结197 |