| 作者 |
| 蔡主希 梅子行 毛鑫宇 |
| 丛书名 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782103111421 |
| 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。 ---------------------------8069615 - 智能风控：Python金融风险管理与评分卡建模--------------------------- . 内容简介 本书基于Python讲解了信用风险管理和评分卡建模，用漫画的风格，从风险业务、统计分析方法、机器学习模型3个维度展开，详细讲解了信用风险量化相关的数据分析与建模手段，并提供大量的应用实例。作者在多加知名金融公司从事算法研究多年，经验丰富，本书得到了学术界和企业界多位金融风险管理专家的高度评价。 全书一共9章，首先介绍了信用风险量化的基础，然后依次讲解了信用评分模型开发过程中的数据处理、用户分群、变量处理、变量衍生、变量筛选、模型训练、拒绝推断、模型校准、决策应用、模型监控、模型重构与迭代、模型报告撰写等内容。 所有章节都由问题、算法、案例三部分组成，针对性和实战性都非常强。 |
| 目录 |
| [套装书具体书目] 8069615 - 智能风控：Python金融风险管理与评分卡建模 - 9787111653752 - 机械工业出版社 - 定价 89 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 ---------------------------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 ---------------------------8069615 - 智能风控：Python金融风险管理与评分卡建模--------------------------- 推荐序 前言 第1章 信用管理基础 /1 1.1 信用与管理 /2 1.2 风控术语解读 /3 1.2.1 信贷基础指标 /4 1.2.2 信贷风险指标 /5 1.3 企业信贷风控架构 /7 1.4 本章小结 /10 第2章 评分卡 /11 2.1 评分卡概念 /12 2.1.1 适用客群 /13 2.1.2 用途 /14 2.2 建模流程 /15 2.3 模型设计 /16 2.3.1 业务问题转化 /17 2.3.2 账龄分析与时间窗口设计 /17 2.3.3 数据集切分 /19 2.3.4 样本选择 /20 2.3.5 采样与加权 /21 2.4 数据与变量解读 /25 2.5 本章小结 /26 第3章 机器学习 /27 3.1 基本概念 /28 3.1.1 空间表征 /29 3.1.2 模型学习 /31 3.1.3 模型评价 /32 3.2 广义线性模型 /33 3.2.1 多元线性回归模型 /34 3.2.2 经验风险与结构风险 /35 3.2.3 极大似然估计 /38 3.3 逻辑回归 /39 3.3.1 sigmoid函数 /40 3.3.2 最大似然估计 /41 3.3.3 多项逻辑回归学习 /41 3.3.4 标准化 /42 3.4 性能度量 /44 3.4.1 误差 /45 3.4.2 混淆矩阵与衍生指标 /45 3.4.3 不均衡模型评价 /48 3.4.4 业务评价 /52 3.5 上线部署与监控 /55 3.5.1 上线部署 /55 3.5.2 前端监控 /57 3.5.3 后端监控 /59 3.6 迭代与重构 /61 3.6.1 模型迭代 /61 3.6.2 模型重构 /62 3.7 辅助模型 /62 3.7.1 XGBoost /63 3.7.2 模型解释性 /74 3.7.3 因子分解机 /81 3.8 模型合并 /82 3.9 本章小结 /86 第4章 用户分群 /87 4.1 辛普森悖论 /88 4.2 监督分群 /90 4.2.1 决策树原理 /90 4.2.2 决策树分群 /92 4.2.3 生成拒绝规则 /95 4.3 无监督分群 /105 4.3.1 GMM原理 /106 4.3.2 GMM分群 /107 4.4 用户画像与聚类分析 /108 4.4.1 数据分布可视化 /109 4.4.2 K均值聚类 /110 4.4.3 均值漂移聚类 /111 4.4.4 层次聚类 /113 4.4.5 tSNE聚类 /114 4.4.6 DBSCAN聚类 /115 4.4.7 方差分析 /117 4.5 本章小结 /119 第5章 数据探索与特征工程 /120 5.1 探索性数据分析 /121 5.1.1 连续型变量 /122 5.1.2 离散型变量 /123 5.1.3 代码实现 /123 5.2 特征生成 /126 5.2.1 特征聚合 /127 5.2.2 特征组合 /145 5.3 特征变换 /147 5.3.1 卡方分箱 /148 5.3.2 聚类分箱 /150 5.3.3 分箱对比 /151 5.3.4 箱的调整 /154 5.3.5 两种特殊的调整方法 /156 5.3.6 WOE映射 /158 5.4 本章小结 /158 第6章 特征筛选与建模 /159 6.1 初步筛选 /160 6.1.1 缺失率 /160 6.1.2 信息量 /161 6.1.3 相关性 /162 6.1.4 代码实现 /163 6.2 逐步回归 /164 6.2.1 F检验 /165 6.2.2 常见逐步回归策略 /165 6.2.3 检验标准 /166 6.2.4 代码实现 /167 6.3 稳定性 /167 6.4 负样本分布图 /169 6.5 评分卡案例 /171 6.6 本章小结 /189 第7章 拒绝推断 /190 7.1 偏差产生的原因 /191 7.2 数据验证 /193 7.3 标签分裂 /193 7.4 数据推断 /195 7.4.1 硬截断法 /195 7.4.2 模糊展开法 /198 7.4.3 重新加权法 /199 7.4.4 外推法 /200 7.4.5 迭代再分类法 /202 7.5 本章小结 /204 第8章 模型校准与决策 /205 8.1 模型校准的意义 /206 8.2 校准方法 /207 8.2.1 通用校准 /208 8.2.2 多模型校准 /210 8.2.3 错误分配 /214 8.2.4 权重还原 /215 8.3 决策与应用 /215 8.3.1 最优评分切分 /216 8.3.2 交换集分析 /216 8.3.3 人工干预 /218 8.4 本章小结 /219 第9章 模型文档 /220 9.1 模型背景 /221 9.2 模型设计 /222 9.2.1 模型样本 /222 9.2.2 坏客户定义 /222 9.3 数据准备 /223 9.3.1 数据提取 /223 9.3.2 历史趋势聚合 /224 9.3.3 缺失值与极值处理 /224 9.3.4 WOE处理 /225 9.4 变量筛选 /225 9.4.1 根据IV值进行初筛 /226 9.4.2 逐步回归分析 /226 9.4.3 模型调优 /226 9.5 最终模型 /227 9.5.1 模型变量 /227 9.5.2 模型表现 /228 9.5.3 模型分制转换 /228 9.6 表现追踪 /228 9.7 附件 /229 9.8 本章小结 /231 |