| 作者 |
| 郑江 蔡主希 |
| 丛书名 |
| 金融科技 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782107271151 |
| 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 8082647 - 智能风控平台：架构、设计与实现 - 9787111686385 - 机械工业出版社 - 定价 89 ---------------------------8082647 - 智能风控平台：架构、设计与实现--------------------------- 前 言 第一部分 智能风控基础 第1章 认识智能风控 2 1.1 什么是风控 2 1.1.1 风控的定义和作用 3 1.1.2 什么是大数据风控 6 1.1.3 什么是智能风控 7 1.2 风控的目标 8 1.2.1 控风险 8 1.2.2 稳增长 9 1.2.3 保平衡 10 1.3 风险的管理 11 1.3.1 三道防线 13 1.3.2 七大系统 13 1.3.3 五大体系 15 1.3.4 八大风险 16 1.4 本章小结 17 第2章 智能风控进化史 18 2.1 智能风控1.0 19 2.2 智能风控2.0 21 2.3 智能风控3.0 27 2.4 本章小结 31 第3章 风控与业务场景的契合 33 3.1 业务催生风险 33 3.1.1 风险滋生 34 3.1.2 风险爆发 35 3.1.3 风险阻塞 35 3.1.4 风险迭代 36 3.2 业务场景下的风控 37 3.2.1 电商风控 37 3.2.2 支付风控 43 3.2.3 信贷风控 48 3.2.4 保险风控 55 3.3 本章小结 59 第二部分 智能风控平台 第4章 智能风控业务 62 4.1 智能信贷业务背景 62 4.1.1 传统金融和互联网的碰撞 63 4.1.2 智能信贷业务应用 67 4.2 智能信贷风控业务背景 72 4.2.1 信贷风控和金融科技的碰撞 73 4.2.2 智能信贷风控业务应用 75 4.3 本章小结 78 第5章 智能风控平台架构 79 5.1 智能风控业务架构 79 5.1.1 信贷业务组织结构 80 5.1.2 传统信贷风控业务架构 81 5.1.3 智能风控业务架构组成 84 5.2 智能风控系统功能架构 93 5.2.1 智能风控系统功能架构组成 93 5.2.2 数据平台 95 5.2.3 接口管理系统 96 5.2.4 分析引擎系统 98 5.2.5 数据挖掘系统 99 5.2.6 关系网络系统 101 5.2.7 决策引擎系统 103 5.2.8 指标管理系统 106 5.2.9 风控服务管理系统 108 5.2.10 贷中监控系统 110 5.2.11 贷后管理系统 111 5.2.12 贷后催收系统 113 5.2.13 智能语音机器人 115 5.2.14 风险管理系统 117 5.2.15 风险报表系统 120 5.2.16 平台管理系统 122 5.3 智能风控系统技术架构 125 5.3.1 访问层 127 5.3.2 展现层 127 5.3.3 系统层 129 5.3.4 大数据平台 133 5.4 智能风控平台业务、功能、技术架构的区别 135 5.5 本章小结 136 第三部分 智能风控平台设计 第6章 智能风控平台核心系统 138 6.1 决策引擎系统 139 6.1.1 决策引擎系统的定义 139 6.1.2 规则 140 6.1.3 模型 145 6.1.4 评分卡 146 6.1.5 表达式 149 6.1.6 模型监控 151 6.1.7 决策流管理 154 6.1.8 风控报告 158 6.1.9 风险审核 161 6.1.10 通用功能 164 6.2 指标管理系统 167 6.2.1 指标管理系统的定义 168 6.2.2 指标列表 170 6.2.3 指标配置 170 6.3 接口管理系统 172 6.3.1 接口管理系统的定义 172 6.3.2 IP管理 174 6.3.3 API管理 175 6.3.4 码值管理 182 6.3.5 自动测试 185 6.3.6 文档管理 187 6.3.7 流量管理 189 6.3.8 监控预警 191 6.4 风险管理系统 193 6.4.1 风险管理系统的定义 193 6.4.2 名单管理 194 6.4.3 标签管理 198 6.4.4 自动检测 200 6.4.5 风险画像 202 6.5 核心系统运作方式 203 6.6 本章小结 205 第7章 智能风控平台次核心系统 206 7.1 贷中监控系统 206 7.1.1 贷中监控系统的定义 207 7.1.2 自动监控 208 7.1.3 风险预警 212 7.1.4 监控统计 213 7.2 贷后管理系统 216 7.2.1 贷后管理系统的定义 217 7.2.2 贷后风险管理 218 7.2.3 资产风险管理 220 7.2.4 贷后流程管理 221 7.2.5 贷后任务管理 228 7.3 平台管理系统 232 7.3.1 平台管理系统的定义 232 7.3.2 角色管理 233 7.3.3 权限管理 236 7.3.4 机构管理 238 7.3.5 用户管理 239 7.3.6 日志管理 240 7.4 本章小结 241 ---------------------------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 |