[套装书]智能风控：Python金融风险管理与评分卡建模+智能风控：原理、算法与工程实践（2册）

作者
毛鑫宇 梅子行
丛书名
金融科技
出版社
机械工业出版社
ISBN
9782005181436
简要
简介
本书基于Python全面介绍了机器学习在信贷风控领域的应用与实践，从原理、算法与工程实践3个维度全面展开，包含21种实用算法和26个解决方案。 作者是智能风控、人工智能和算法领域的资深专家，曾在多加知名金融科技企业从事风控算法方面的研究与实践，经验丰富，本书得到了风控领域9位专家的高度评价。 全书一共8章，每个章节都由问题、算法、案例三部分组成，具有系统性和实战性。 第1-2章讲解了信贷业务的基础知识以及常用的规则引擎、信用评估引擎的建模方法。 . 第3章以项目冷启动为背景，讲解了风控领域应用广泛的迁移学习方法。 第4-5章介绍了幸存者偏差与不均衡学习中所使用的无监督学习与半监督学习方法。 第6章阐述了无监督的异常识别算法，该算法常用于数据清洗与冷启动项目，是反欺诈引擎中常用的个体欺诈检测方法。 第7章分享了一些经作者实践证明效果较好的模型优化方法，并对模型融合的思路进行了较为详细的介绍。 第8章重点讲解了知识图谱相关的复杂网络基础知识及网络表示学习方法，其中的社区发现算法常用于团伙欺诈检测。此外，本章中的部分方法对信用评估模型的优化也有很大帮助。
目录



---------------------------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　tSNE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


---------------------------智能风控：原理、算法与工程实践---------------------------


推荐序
前言
第1章　风控建模与规则挖掘　/ 1
1.1　信贷与风险　/ 1
1.1.1　信贷业务与互联网金融风控体系　/ 1
1.1.2　信贷风险与控制　/ 4
1.2　工业建模流程　/ 5
1.2.1　抽象业务　/ 6
1.2.2　定义标签　/ 6
1.2.3　样本选取　/ 7
1.2.4　特征工程与模型调优　/ 9
1.2.5　上线监控与评估报表　/ 10
1.3　规则挖掘方案　/ 13
1.4　本章小结　/ 20
第2章　集成模型评分卡　/ 21
2.1　特征工程解析　/ 21
2.1.1　特征与模型　/ 22
2.1.2　信用模型的特征　/ 22
2.2　特征衍生方案　/ 24
2.3　离散处理　/ 27
2.3.1　one-hot编码　/ 27
2.3.2　WOE编码　/ 28
2.4　迭代特征筛选方案　/ 33
2.5　自动化调参　/ 38
2.5.1　自动化调参策略　/ 38
2.5.2　参数搜索方案　/ 39
2.5.3　调参框架搭建　/ 40
2.6　递归特征删除方案　/ 43
2.7　评分卡制作　/ 44
2.7.1　逻辑回归评分卡　/ 45
2.7.2　集成模型的评分映射　/ 55
2.7.3　针对业务改写评价函数　/ 59
2.8　本章小结　/ 60
第3章　迁移学习与冷启动　/ 61
3.1　迁移学习基础　/ 61
3.1.1　应用场景　/ 62
3.1.2　概念介绍　/ 62
3.2　迁移学习方法论　/ 63
3.2.1　三类常见算法　/ 63
3.2.2　迁移的实现方法　/ 64
3.3　少量有标签样本的迁移方案　/ 65
3.3.1　TrAdaBoost模型　/ 65
3.3.2　跨场景迁移模型　/ 67
3.4　无标签样本迁移之JDA　/ 76
3.4.1　JDA模型　/ 76
3.4.2　模型应用　/ 79
3.5　无标签样本迁移之DTELM　/ 80
3.5.1　ELM模型　/ 81
3.5.2　DTELM模型　/ 82
3.5.3　模型应用　/ 84
3.6　迁移样本筛选方案　/ 88
3.6.1　背景介绍　/ 88
3.6.2　算法框架概览　/ 88
3.6.3　搭建融合框架　/ 89
3.7　本章小结　/ 93
第4章　幸存者偏差　/ 95
4.1　幸存者偏差的含义　/ 95
4.2　增量学习　/ 96
4.3　生成对抗网络　/ 97
4.3.1　GAN模型介绍　/ 98
4.3.2　GAN与幸存者偏差　/ 99
4.4　高斯混合模型　/ 100
4.4.1　GMM算法原理　/ 101
4.4.2　GMM简单应用　/ 103
4.4.3　GMM中的概率模型　/ 104
4.4.4　GMM样本生成　/ 107
4.5　信息准则　/ 110
4.5.1　赤池信息准则　/ 110
4.5.2　贝叶斯信息准则　/ 111
4.5.3　AIC与BIC比较　/ 111
4.6　本章小结　/ 112
第5章　不均衡学习　/ 113
5.1　样本不均衡　/ 113
5.2　代价敏感加权方案　/ 114
5.3　插值过采样方案　/ 115
5.3.1　SMOTE算法　/ 115
5.3.2　过采样算法实践　/ 116
5.4　半监督学习方案　/ 121
5.4.1　前提假设　/ 122
5.4.2　S3VM　/ 122
5.4.3　LP　/ 127
5.5　本章小结　/ 130
第6章　异常检测　/ 132
6.1　离群点与欺诈检测　/ 133
6.2　z-score检验　/ 134
6.3　LOF异常检测法　/ 134
6.3.1　原理与算法流程　/ 135
6.3.2　LOF样本清洗方案　/ 137
6.4　IF异常检测法　/ 139
6.4.1　原理与算法流程　/ 139
6.4.2　PreA模型与冷启动　/ 141
6.5　本章小结　/ 144
第7章　模型优化　/ 145
7.1　多损失函数分段预测　/ 145
7.1.1　两种损失函数　/ 146
7.1.2　融合流程　/ 146
7.2　树模型特征衍生　/ 149
7.2.1　GBDT离散化　/ 149
7.2.2　融合方案详解　/ 150
7.2.3　特征衍生细节　/ 151
7.2.4　案例　/ 151
7.3　时间序列建模　/ 160
7.3.1　RNN　/ 160
7.3.2　LSTM　/ 163
7.3.3　门控结构　/ 164
7.3.4　LSTM行为评分卡案例　/ 166
7.4　高维稀疏数据建模　/ 170
7.4.1　算法原理　/ 171
7.4.2　算法应用　/ 172
7.5　模型融合　/ 173
7.5.1　模型融合基础　/ 173
7.5.2　模型筛选　/ 174
7.5.3　业务应用方案　/ 181
7.6　本章小结　/ 183
第8章　知识图谱　/ 184
8.1　复杂网络基础　/ 184
8.2　中心度与相似性　/ 187
8.3　节点分类　/ 193
8.3.1　朴素节点分类　/ 193
8.3.2　邻节点加权投票　/ 195
8.3.3　一致性标签传播　/ 197
8.4　社区发现算法　/ 200
8.4.1　基础概念　/ 200
8.4.2　Girvan-Newman算法　/ 201
8.4.3　Louvain算法　/ 202
8.4.4　社区评估　/ 204
8.5　网络表示学习　/ 206
8.5.1　矩阵分解　/ 207
8.5.2　节点嵌入　/ 210
8.6　图卷积神经网络　/ 215
8.6.1　卷积神经网络　/ 215
8.6.2　傅里叶变换　/ 217
8.6.3　拉普拉斯算子　/ 219
8.6.4　GCN中的图卷积　/ 221
8.7　本章小结　/ 225
参考文献　/ 226



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4