智能风控：Python金融风险管理与评分卡建模
| 作者 |
| 梅子行 毛鑫宇 |
| 丛书名 |
| 金融科技 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9787111653752 |
| 简要 |
| 信用风险管理实战指南，用漫画风格详解信用风险量化的数据分析与建模，提供大量应用实例和Python代码实现 |
| 简介 |
| 内容简介书籍计算机书籍 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 |
| 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 |
有问题微信扫码联系