[套装书]智能风控：原理、算法与工程实践+零售金融：数据化用户经营方法、工具与实践（2册）

作者
梅子行雷健雄 王黎理
丛书名
金融科技
出版社
机械工业出版社
ISBN
9782002279402
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。 ---------------------------零售金融：数据化用户经营方法、工具与实践--------------------------- . 本书以如何更好地“了解你的用户”（KYC）为主轴，按照金融机构和用户形成关系的发展顺序及用户生命周期的时间顺序，详细解析了消费信贷业务在用户经营管理上想要取得成功的秘诀。本书详细阐述了数据驱动在了解用户、制定策略过程中的价值和应用，介绍了在信贷用户经营过程中用到的各类大数据分析方法、常用的机器学习算法、预测模型的开发及管理流程，还着重介绍了经营过程中各个阶段所涉及的策略开发及其背后的逻辑思维，包括潜在用户挖掘、用户开发策略、授信准入、风险定价、风险管理、反欺诈、额度管理、授权交易管理、用户促活、用户留存、用户交互、贷后催收、合规管理、反洗钱以及用户服务等。 本书贴近真实场景，兼具权威性与前瞻性，是广泛适用的普及读物，适合对大数据驱动业务感兴趣的企业高管、决策者、创业者、数据分析师、风险管理者、产品经理以及相关专业的学生等，还可以为中国日益兴起的互联网金融及直销银行的数据化运营提供借鉴。
目录



---------------------------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



---------------------------零售金融：数据化用户经营方法、工具与实践---------------------------


赞　誉
推荐序
序言一
序言二
致　谢
第1章　消费信贷行业的创新与数据驱动/1
1.1　消费信贷行业简述/1
1.2　大数据背景下消费信贷行业的创新/3
1.3　消费信贷业务要以用户经营为中心/6
1.4　KYC的重要性/9
1.5　大数据思维的本质/11
1.6　讨论：数据驱动文化的建立和组织架构设计/19
第2章　新用户获取及用户分群的策略设计/24
2.1　潜在用户挖掘：内部名单和外部名单/25
2.2　用户分群以及激活响应排序/26
2.3　新用户获取策略的设计和效果监控/36
2.4　新手礼包的设计与效果监控/40
2.5　用户分群的定性分析思路探讨/41
2.6　RFM用户分群分析方法/44
2.7　案例1：年轻持卡用户分群策略及效果分析/46
2.8　案例2：数据驱动App获取用户的新思路/49
第3章　用户准入和授信/53
3.1　授信数据来源/54
3.2　授信风险评估：申请评分卡/59
3.3　申请欺诈的识别/65
3.4　信用额度优化：授信及初始额度策略/67
3.5　差异化风险定价/68
3.6　观察期、表现期基本流程/69
3.7　FICO信用分介绍/71
3.8　案例：Python环境下的评分卡构建过程/73
第4章　存量用户的经营策略/82
4.1　存量用户生命周期管理的方法及划分依据/82
4.2　新用户成长期策略思路/86
4.3　成熟期用户的经营策略思路/88
4.4　衰退期用户的监控及对策/91
4.5　流失期用户的二次召回/93
4.6　存量用户的价值提升策略/95
4.7　存量用户的额度管理和定价策略/98
4.8　存量用户经营效果的监控/100
4.9　用户画像的构建及验证方法探讨/101
4.10　案例1：“母婴用户”标签预测模型的探索/105
4.11　案例2：账单分期用户的经营思路探究/111
第5章　用户生命价值的计量/118
5.1　用户生命价值体系框架概述/119
5.2　衡量用户当前价值/121
5.3　衡量用户潜在价值/137
5.4　结论/138
5.5　案例：信用卡用户生命价值的评估/139
第6章　贷中授权交易策略详解/141
6.1　授权交易的定义和决策范围/142
6.2　授权交易的具体策略/143
6.3　授权交易的额度设定/146
6.4　授权交易策略的验证/147
6.5　授权交易策略的部署/147
6.6　授权交易补充策略/147
6.7　案例：授权交易策略的冠军挑战赛/148
第7章　贷后催收的新思维/150
7.1　突破传统催收策略的逻辑思维/150
7.2　利用大数据分析让催收成为一种竞争优势/155
7.3　催收分析能力转型的要点及方向/156
7.4　案例：机器学习提升催收效率/157
第8章　数据挖掘与用户服务/161
8.1　大数据正在改变用户服务的不同方面/162
8.2　大数据技术的具体应用/163
8.3　案例：利用文本挖掘发现用户的真实需求和用户的态度/165
第9章　大数据提升反洗钱效率/169
9.1　反洗钱合规面临的问题/169
9.2　大数据，大挑战/170
9.3　大数据技术驱动变革/171
9.4　金融机构的实践/172
9.5　案例：用机器学习模型判断用户风险等级并解决样本数据不平衡问题/176
第10章　数据驱动的工具箱：数据挖掘和常用建模方法概述/182
10.1　数据分析能力的进阶/183
10.2　模型开发的基本流程/184
10.3　数据收集和假设检验/189
10.4　因子分析/主成分分析/196
10.5　决策树/205
10.6　随机森林算法/210
10.7　梯度提升决策树/215
10.8　贝叶斯分类/223
10.9　支持向量机/227
10.10　聚类分析/230
10.11　线性回归和逻辑回归/235
10.12　推荐算法/243
10.13　神经网络/248
10.14　社交网络分析/256
10.15　文本挖掘/259
10.16　讨论：模型的解释性VS.模型的准确性/268
第11章　模型的评审、验证和生命周期管理/276
11.1　模型管理的全流程/276
11.2　模型管理系统/277
11.3　模型风险等级/278
11.4　模型检查的时间点/279
11.5　模型验证数据库/279
11.6　模型文档/280
11.7　模型生命周期管理/281
11.8　讨论：模型验证团队的架构设计/282
第12章　大数据：用户忠诚度计划背后的秘密武器/283
12.1　引言/283
12.2　构建用户激励体系，陪伴用户成长/284
12.3　用户忠诚度的衡量方法及评价标准/289
12.4　案例：世界十大零售银行用户忠诚度计划简介/292
参考文献/300



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4