智慧型風控：Python金融風險管理與評分卡建模

本書基於Python講解了信用風險管理和評分卡建模，用漫畫的風趨棵格，從風險業務、統計分析方法、機器殼欠乎恥學習模型3個維度展開，詳細講解了信用風險量化相關的數據分析與建模手段，並提供大量的套用實例。作者在多加知名金融公司從事算法研究多年，經驗豐富，本書得到了學術界和企業界多位金融風險管理專家的高度評價。

全書一共9章，首先介紹了信用風險量化的基礎，然後依次講解了信用評分模型開發過程中的數據處理、用戶分群、變數處理、變數衍生、變數禁店鴉篩選、模型訓練、拒絕推斷、模型校準、決策套用、模型監控、模型重構與疊代、模型報告撰寫等內容。

所有章節都由問題、算法、案例三部分組成，針對性和實戰性都非常強。

推薦序

前言

第1章　慨欠去信用管理基礎　/1

1.1　信用與管理　灶騙埋/2

1.2　風控術語解讀　/3

　1.2.1　信貸基礎指標　/4

　1.2.2　信貸風險指標　/5

1.3　企業信貸風控架構　/7

1.4　本章小結　/10

第2章　評分卡　/11

2.1　評分卡概念　/12

　2.1.1　適用客阿抹影估群　/13

　2.1.2　用途　/14

2.2　建模流程　/15

2.3　模型設計　/16

　2.3.1　業務問題轉化　/17

　2.3.2　賬齡分析與時間視窗設計　/17

　2.3.3　數據集切分　/19

　2.3.4　樣本選擇　/20

　2.3.5　採樣與加權　/21

2.4　數據與變數解讀　/25

2.5　本章小結　/26

第3章　機器學習　/27

3.1　基本概念　/28

　3.1.1　空間表征　/29

　3.1.2　模型學習　/31

　3.1.3　模型評價　/32

3.2　廣義線性模型　/33

　3.2.1　多元線性回歸模型　/34

　3.2.2　經驗風險與結構風險　/35

　3.2.3　極大似然估計　/38

3.3　邏輯回歸　/39

　3.3.1　sigmoid函式　/40

　3.3.2　最大似然估計　/41

　3.3.3　多項邏輯回歸學習　/41

　3.3.4　標準化　/42

3.4　性能度量　/44

　3.4.1　誤差　/45

　3.4.2　混淆矩陣與衍生指標　/45

　3.4.3　不均衡模型評價　/48

　3.4.4　業務評價　/52

3.5　上線部署與監控　/55

　3.5.1　上線部署　/55

　3.5.2　前端監控　/57

　3.5.3　後端監控　/59

3.6　疊代與重構　/61

　3.6.1　模型疊代　/61

　3.6.2　模型重構　/62

3.7　輔助模型　/62

　3.7.1　XGBoost　/63

　3.7.2　模型解釋性　/74

　3.7.3　因子分解機　/81

3.8　模型合併　/82

3.9　旬艱鑽本章小結　/86

第4章　用戶分群　/87

4.1　辛普森悖論　/88

4.2　監督分群　/90

　4.2.1　決策樹原理　/90

　4.2.2　決策樹分群　/92

　4.2.3　生成拒絕規則　/95

4.3　無監督分群　/105

　4.3.1　GMM原理　/106

　4.3.2　GMM分群　/107

4.4　用戶畫像與聚類分析　/108

　4.4.1　數據分布可視化　/109

　4.4.2　K均值聚類　/110

　4.4.3　均值漂移聚類　/111

　4.4.4　層次聚類　/113

　4.4.5　tSNE聚類　/114

　4.4.6　DBSCAN聚類　/115

　4.4.7　方差分析　/117

4.5　本章小結　/119

第5章　數據探索與特徵工程　/120

5.1　探索性數據分析　/121

　5.1.1　連續型變數　/122

　5.1.2　離散型變數　/123

　5.1.3　代碼實現　/123

5.2　特徵生成　/126

　5.2.1　特徵聚合　/127

　5.2.2　特徵組合　/145

5.3　特徵變換　/147

　5.3.1　卡方分箱　/148

　5.3.2　聚類分箱　/150

　5.3.3　分箱對比　/151

　5.3.4　箱的調整　/154

　5.3.5　兩種特殊的調整方法　/156

　5.3.6　WOE映射　/158

5.4　本章小結　/158

第6章　特徵篩選與建模　/159

6.1　初步篩選　/160

　6.1.1　缺失率　/160

　6.1.2　信息量　/161

　6.1.3　相關性　/162

　6.1.4　代碼實現　/163

6.2　逐步回歸　/164

　6.2.1　F檢驗　/165

　6.2.2　常見逐步回歸策略　/165

　6.2.3　檢驗標準　/166

　6.2.4　代碼實現　/167

6.3　穩定性　/167

6.4　負樣本分布圖　/169

6.5　評分卡案例　/171

6.6　本章小結　/189

第7章　拒絕推斷　/190

7.1　偏差產生的原因　/191

7.2　數據驗證　/193

7.3　標籤分裂　/193

7.4　數據推斷　/195

　7.4.1　硬截斷法　/195

　7.4.2　模糊展開法　/198

　7.4.3　重新加權法　/199

　7.4.4　外推法　/200

　7.4.5　疊代再分類法　/202

7.5　本章小結　/204

第8章　模型校準與決策　/205

8.1　模型校準的意義　/206

8.2　校準方法　/207

　8.2.1　通用校準　/208

　8.2.2　多模型校準　/210

　8.2.3　錯誤分配　/214

　8.2.4　權重還原　/215

8.3　決策與套用　/215

　8.3.1　最優評分切分　/216

　8.3.2　交換集分析　/216

　8.3.3　人工干預　/218

8.4　本章小結　/219

第9章　模型文檔　/220

9.1　模型背景　/221

9.2　模型設計　/222

　9.2.1　模型樣本　/222

　9.2.2　壞客戶定義　/222

9.3　數據準備　/223

　9.3.1　數據提取　/223

　9.3.2　歷史趨勢聚合　/224

　9.3.3　缺失值與極值處理　/224

　9.3.4　WOE處理　/225

9.4　變數篩選　/225

　9.4.1　根據IV值進行初篩　/226

　9.4.2　逐步回歸分析　/226

　9.4.3　模型調優　/226

9.5　最終模型　/227

　9.5.1　模型變數　/227

　9.5.2　模型表現　/228

　9.5.3　模型分制轉換　/228

9.6　表現追蹤　/228

9.7　附屬檔案　/229

9.8　本章小結　/231

梅子行

資深風控技術專家、AI技術專家和算法專家，歷任多家知名金融科技公司的算法研究員、數據挖掘工程師。師承Experian、Discover等企業的資深風控專家，擅長深度學習、複雜網路、遷移學習、異常檢測等非傳統機器學習方法，熱衷於數據挖掘以及算法的跨領域最佳化實踐。

著有暢銷書《智慧型風控：原理、算法與工程實踐》，是本書的姊妹篇。

公眾號與知乎專欄：“大數據風控與機器學習”。

榮獲DD第六屆影響力作家評選“科技新星作家”獎。

毛鑫宇

資深品牌視覺設計師、插畫設計師。曾任職國內知名文旅公司品牌設計師，設計打造知名文化旅遊目的地及品牌設計案例，作為插畫設計師完成《智慧型風控：原理、算法與工程實踐》一書。擅長品牌視覺設計、IP形象設計、插畫設計，致力於用設計創造價值，讓設計在跨領域合作中碰撞出更多的可能性。站酷設計師主頁為“白鴿巡遊記”。

智慧型風控：Python金融風險管理與評分卡建模

基本介紹

作者簡介

相關詞條

熱門詞條