[套装书]智能风控：原理、算法与工程实践+Python金融大数据挖掘与分析全流程详解（2册）

作者
梅子行王宇韬 房宇亮 肖金鑫
丛书名
金融科技
出版社
机械工业出版社
ISBN
9782002279400
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。 ---------------------------Python金融大数据挖掘与分析全流程详解--------------------------- . 金融从业者每天都要与海量的数据打交道，如何从这些数据中挖掘出需要的信息，并进行相应的分析，是很多金融从业者非常关心的内容。本书以功能强大且较易上手的Python 语言为编程环境，全面讲解了金融数据的获取、处理、分析及结果呈现。 全书共16 章，内容涉及Python 基础知识、网络数据爬虫技术、数据库存取、数据清洗、数据可视化、数据相关性分析、IP 代理、浏览器模拟操控、邮件发送、定时任务、文件读写、云端部署、机器学习等，可以实现舆情监控、智能投顾、量化金融、大数据风控、金融反欺诈模型等多种金融应用。无论是编程知识还是金融相关知识，本书都力求从易到难、循序渐进地讲解，并辅以商业实战案例来加深印象。 本书定位为一本金融科技入门读物，但书中的数据挖掘与分析思想对其他行业来说也具备较高的参考价值。 本书又是一个金融科技工具箱，里面的代码可以方便地速查速用，解决实际工作中的问题。 本书适合金融行业的从业人员学习。对于大中专院校金融、财会等专业的师生，以及具备一定计算机编程基础，又希望投身金融行业的读者，本书也是不错的参考读物。
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



---------------------------Python金融大数据挖掘与分析全流程详解---------------------------


前言
如何获取学习资源
第1章　Python基础
1.1　Python安装与第一个Python程序 12
1.1.1　安装Python 12
1.1.2　编写第一个Python程序 13
1.1.3　PyCharm的安装与使用 14
1.2　Python基础知识 18
1.2.1　变量、行、缩进与注释 18
1.2.2　数据类型：数字与字符串 20
1.2.3　数据类型：列表与字典、元组与集合 22
1.2.4　运算符 27
1.3　Python语句 29
1.3.1　if条件语句 29
1.3.2　for循环语句 30
1.3.3　while循环语句 31
1.3.4　try/except异常处理语句 32
1.4　函数与库 33
1.4.1　函数的定义与调用 33
1.4.2　函数的返回值与作用域 34
1.4.3　常用基本函数介绍 36
1.4.4　库 38
第2章　金融数据挖掘之爬虫技术基础
2.1　爬虫技术基础1—网页结构基础 41
2.1.1　查看网页源代码—F12键 41
2.1.2　查看网页源代码—右键菜单 43
2.1.3　网址构成及http与https协议 44
2.1.4　网页结构初步了解 44
2.2　爬虫技术基础2—网页结构进阶 44
2.2.1　HTML基础知识1—我的第一个网页 45
2.2.2　HTML基础知识2—基础结构 45
2.2.3　HTML基础知识3—标题、段落、链接 46
2.2.4　HTML基础知识4—区块 49
2.2.5　HTML基础知识5—类与id 49
2.3　初步实战—百度新闻源代码获取 50
2.3.1　获取网页源代码 51
2.3.2　分析网页源代码信息 53
2.4　爬虫技术基础3—正则表达式 54
2.4.1　正则表达式基础1—findall()函数 54
2.4.2　正则表达式基础2—非贪婪匹配之(.*) 55
2.4.3　正则表达式基础3—非贪婪匹配之.* 57
2.4.4　正则表达式基础4—自动考虑换行的修饰符re.S 60
2.4.5　正则表达式基础5—知识点补充 61
第3章　金融数据挖掘案例实战1
3.1　提取百度新闻标题、网址、日期及来源 63
3.1.1　获取网页源代码 63
3.1.2　编写正则表达式提取新闻信息 63
3.1.3　数据清洗并打印输出 65
3.2　批量获取多家公司的百度新闻并生成数据报告 68
3.2.1　批量爬取多家公司的百度新闻 68
3.2.2　自动生成舆情数据报告文本文件 69
3.3　异常处理及24小时实时数据挖掘实战 71
3.3.1　异常处理实战 72
3.3.2　24小时实时爬取实战 72
3.4　按时间顺序爬取及批量爬取多页内容 74
3.4.1　按时间顺序爬取百度新闻 74
3.4.2　一次性批量爬取多页内容 75
3.5　搜狗新闻与新浪财经数据挖掘实战 78
3.5.1　搜狗新闻数据挖掘实战 78
3.5.2　新浪财经数据挖掘实战 82
第4章　数据库详解及实战
4.1　MySQL数据库简介及安装 86
4.2　MySQL数据库基础 89
4.2.1　MySQL数据库管理平台phpMyAdmin介绍 89
4.2.2　创建数据库及数据表 90
4.2.3　数据表基本操作 92
4.3　Python与MySQL数据库的交互 96
4.3.1　安装PyMySQL库 96
4.3.2　用Python连接数据库 96
4.3.3　用Python存储数据到数据库 97
4.3.4　用Python在数据库中查找并提取数据 101
4.3.5　用Python从数据库中删除数据 102
4.4　案例实战：把金融数据存入数据库 103
第5章　数据清洗优化及数据评分系统搭建
5.1　深度分析—数据去重及清洗优化 105
5.1.1　数据去重 105
5.1.2　常见的数据清洗手段及日期格式统一 107
5.1.3　文本内容深度过滤—剔除噪声数据 108
5.2　数据乱码的处理 110
5.2.1　编码分析 111
5.2.2　重新编码及解码 112
5.2.3　解决乱码问题的经验方法 114
5.3　舆情数据评分系统搭建 115
5.3.1　舆情数据评分系统版本1—根据标题评分 115
5.3.2　舆情数据评分系统版本2—根据正文内容评分 117
5.3.3　舆情数据评分系统版本3—解决乱码问题 118
5.3.4　舆情数据评分系统版本4—处理非相关信息 119
5.4　完整的百度新闻数据挖掘系统搭建 121
5.4.1　将舆情数据评分存入数据库 121
5.4.2　百度新闻数据挖掘系统代码整合 123
5.4.3　从数据库汇总每日评分 127
第6章　数据分析利器：NumPy与pandas库
6.1　NumPy库基础 129
6.1.1　NumPy库与数组 129
6.1.2　创建数组的几种方式 131
6.2　pandas库基础 132
6.2.1　二维数据表格DataFrame的创建与索引的修改 133
6.2.2　Excel工作簿等文件的读取和写入 137
6.2.3　数据的读取与编辑 139
6.2.4　数据表的拼接 144
6.3　利用pandas库导出舆情数据评分 147
6.3.1　汇总舆情数据评分 148
6.3.2　导出舆情数据评分表格 150
第7章　数据可视化与数据相关性分析
7.1　用Tushare库调取股价数据 152
7.1.1　Tushare库的基本用法 152
7.1.2　匹配舆情数据评分与股价数据 154
7.2　舆情数据评分与股价数据的可视化 155
7.2.1　数据可视化基础 156
7.2.2　数据可视化实战 160
7.3　舆情数据评分与股价数据相关性分析 162
7.3.1　皮尔逊相关系数 162
7.3.2　相关性分析实战 164
第8章　金融数据挖掘之爬虫技术进阶
8.1　爬虫技术进阶1—IP代理简介 165
8.1.1　IP代理的工作原理 165
8.1.2　IP代理的使用方法 166
8.2　爬虫技术进阶2—Selenium库详解 169
8.2.1　网络数据挖掘的难点 169
8.2.2　模拟浏览器ChromeDriver的下载与安装 170
8.2.3　Selenium库的安装 172
8.2.4　Selenium库的使用 173
第9章　金融数据挖掘案例实战2
9.1　新浪财经股票实时数据挖掘实战 180
9.1.1　获取网页源代码 180
9.1.2　数据提取 181
9.2　东方财富网数据挖掘实战 182
9.2.1　获取网页源代码 183
9.2.2　编写正则表达式提取数据 183
9.2.3　数据清洗及打印输出 185
9.2.4　函数定义及调用 185
9.3　裁判文书网数据挖掘实战 186
9.4　巨潮资讯网数据挖掘实战 188
9.4.1　获取网页源代码 189
9.4.2　编写正则表达式提取数据 190
9.4.3　数据清洗及打印输出 191
9.4.4　函数定义及调用 191
第10章　通过PDF文本解析上市公司理财公告
10.1　PDF文件批量下载实战 193
10.1.1　爬取多页内容 193
10.1.2　自动筛选所需内容 197
10.1.3　理财公告PDF文件的自动批量下载 199
10.2　PDF文本解析基础 203
10.2.1　用pdfplumber库提取文本内容 203
10.2.2　用pdfplumber库提取表格内容 204
10.3　PDF文本解析实战—寻找合适的理财公告 206
10.3.1　遍历文件夹里所有的PDF文件 207
10.3.2　批量解析每一个PDF文件 209
10.3.3　将合格的PDF文件自动归档 209
第11章　邮件提醒系统搭建
11.1　用Python自动发送邮件 213
11.1.1　通过腾讯QQ邮箱发送邮件 213
11.1.2　通过网易163邮箱发送邮件 215
11.1.3　发送HTML格式的邮件 216
11.1.4　发送邮件附件 218
11.2　案例实战：定时发送数据分析报告 221
11.2.1　用Python提取数据并发送数据分析报告邮件 221
11.2.2　用Python实现每天定时发送邮件 226
第12章　基于评级报告的投资决策分析
12.1　获取券商研报网站的表格数据 229
12.1.1　表格数据的常规获取方法 229
12.1.2　用Selenium库爬取和讯研报网表格数据 232
12.2　pandas库的高阶用法 235
12.2.1　重复值和缺失值处理 235
12.2.2　用groupby()函数分组汇总数据 238
12.2.3　用pandas库进行批量处理 240
12.3　评估券商分析师预测准确度 244
12.3.1　读取分析师评级报告数据进行数据预处理 244
12.3.2　用Tushare库计算股票收益率 247
12.3.3　计算平均收益率并进行分析师预测准确度排名 251
12.4　策略延伸 253
12.4.1　涨停板的考虑 253
12.4.2　按分析师查看每只股票的收益率 254
12.4.3　计算多阶段股票收益率 255
第13章　用Python生成Word文档
13.1　用Python创建Word文档的基础知识 257
13.1.1　初识python-docx库 257
13.1.2　python-docx库的基本操作 258
13.2　用Python创建Word文档的进阶知识 261
13.2.1　设置中文字体 261
13.2.2　在段落中新增文字 261
13.2.3　设置字体大小及颜色 262
13.2.4　设置段落格式 264
13.2.5　设置表格样式 267
13.2.6　设置图片样式 268
13.3　案例实战：自动生成数据分析报告Word文档 269
第14章　基于股票信息及其衍生变量的数据分析
14.1　策略基本思路 274
14.2　获取股票基本信息及衍生变量数据 275
14.2.1　获取股票基本信息数据 275
14.2.2　获取股票衍生变量数据 279
14.2.3　通过相关性分析选取合适的衍生变量 282
14.2.4　数据表优化及代码汇总 283
14.3　数据可视化呈现 285
14.4　用xlwings库生成Excel工作簿 287
14.4.1　xlwings库的基本用法 287
14.4.2　案例实战：自动生成Excel工作簿报告 290
14.5　策略深化思路 292
第15章　云服务器部署实战
15.1　云服务器的购买与配置 295
15.2　程序的云端部署 298
15.2.1　安装运行程序所需的软件 299
15.2.2　实现程序24小时不间断运行 299
第16章　机器学习之客户违约预测模型搭建
16.1　机器学习在金融领域的应用 300
16.2　决策树模型的基本原理 300
16.2.1　决策树模型简介 300
16.2.2　决策树模型的建树依据 301
16.3　案例实战：客户违约预测模型搭建 303
16.3.1　模型搭建 303
16.3.2　模型预测及评估 306
16.3.3　模型可视化呈现 311



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4