智能風控：Python金融風險管理與評分卡建模 ( 簡體 字) |
| 作者：梅子行 毛鑫宇 | 類別：1. -> 程式設計 -> Python |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 52721
詢問書籍請說出此書號！【缺書】
NT售價： 445 元 |
| 出版日：5/1/2020 |
| 頁數：232 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：全彩印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111653752 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：為何寫作本書
互聯網金融與金融科技是數據從業者較為關注的方向之一。風險控制是金融的核心。信貸場景下的風險，很大程度上取決于貸款人的信用風險。因此，如何對貸款用戶的信用風險進行合理度量，是信貸平臺關注的首要問題。
信貸風控的建模方法由來已久，筆者在另一本著作《智能風控：原理、算法與工程實踐》中重點介紹了互聯網金融場景下機器學習在金融科技中的應用方法與技術實現。市面上大多數信用評分建模的指導書籍都是基于SAS開發或不涉及工程實現的。因此，為推廣傳統信用評分方法，我們決定撰寫本書。
本書完整地介紹了如何基于Python語言從0到1建立信用評分模型，并系統介紹了建立模型之后，如何通過拒絕推斷及校準來修正模型與真實場景的偏差。此外，本書還介紹了如何上線部署，以及后續的監控與迭代中的注意事項。希望讀者閱讀本書后，可以學習到規范、完整的評分卡建模體系，可以使用Python獨立地建立標準評分卡模型，并通過模型與策略相組合的方法實現對貸款用戶的信用管理。
本書主要內容
第1章主要介紹了信用管理的基礎知識。風控場景對業務知識的儲備有較高要求，而市面上也缺少相關名詞的規范化材料，因此本章對相關術語進行了解釋，并給出了統一的定義。此外，本章還詳細地介紹了現階段企業的風險控制架構。了解整個風控框架，有助于讀者理解場景中的具體問題的成因，從而精準定義問題，理解每一項技術的原理。
第2章主要介紹評分卡的相關概念，規范了評分卡模型的建模流程。從適用客群和用途兩個角度揭示了從業者定義評分卡的思路，并且對整個建模流程中最重要的步驟——模型設計，進行了詳細的梳理。此外，本章還對常用于評分卡建模的數據進行了解讀。
第3章主要講解了評分卡建模中常用的機器學習算法。從機器學習基礎出發，由簡單的線性回歸，逐步進階到具有良好解釋性的邏輯回歸模型。除直接用于評分卡建模的邏輯回歸模型外，本章還介紹了幾種常用的輔助建模模型。最后，還介紹了一些模型之間相互取長補短的合并方法，它們在實踐和數據挖掘競賽中也有較好的效果。
第4章主要介紹了幾種常用的用戶分群方法，同時系統地介紹了決策樹模型和高斯混合聚類模型的原理，并給出了一種基于決策樹模型和卡方分箱實現自動生成策略組合的分析方法。雖然用戶分群并非評分卡建模的必備流程，但在大多數情況下，它可以為業務帶來實際收益。
第5章主要介紹了探索性數據分析、特征衍生、特征變換的基本方法。由于評分卡中常用的廣義線性模型只使用了特征的簡單加權求和信息，缺乏對特征的深度挖掘能力，因此評分卡模型對人工特征工程的要求遠高于其他場景。這一章介紹的特征衍生與特征變換操作是評分卡建模過程中非常重要的環節，該過程耗費的時間通常會占整個開發流程的60%~70%。
第6章主要介紹了特征篩選和模型訓練方法。評分卡模型對穩定性的要求通常要高于準確性，因此需要對建模使用的特征進行精細化調優與篩選。特征變換調優過程在第5章中有相關介紹，特征篩選方法則主要集中在第6章。這一章的末尾為讀者展示了一個建立評分卡模型的案例。希望讀者可以通過該案例理解前6章所介紹的技術是如何應用的。
第7章主要介紹了如何對建立好的評分卡模型進行拒絕推斷。信用評分模型本身是一種擁有拒絕屬性的模型，幸存者偏差問題會導致每次迭代的模型逐漸偏離真實環境下的數據分布，因此需要通過數據驗證、標簽分裂、數據推斷等方法對現有模型進行修正。
第8章主要介紹了評分卡模型建立之后的應用邏輯和校準方法。模型只是一種嵌入在策略體系中的技術手段，其本質是為策略服務的。在實際應用中，模型分數也常常作為一條單獨的規則進行配置。由于一些難以避免的原因，評分卡模型通常需要進行校準，因此這一章對常用的校準方法及其使用場景進行了梳理。
第9章主要介紹了模型開發后的記錄工作。由于在實際工作中常常需要多人進行交互，且經常需要回溯很久之前開發過的模型詳情，因此保證每一個模型都擁有詳細的記錄是非常重要的。這一章給出了一個完整的評分卡模型開發文檔，以便于讀者參考，從而完善現有的模型記錄文檔。
本書內容特色
與市面上其他建模或機器學習相關的技術書籍相比，本書主要使用Python語言編寫，詳細介紹了傳統信用管理中所涉及的基礎知識、技術與工程實現。從統計學、機器學習的角度出發，系統、全面地介紹了風險數據分析中的基礎概念與建模技術。本書作為“智能風控”系列的第二本書，對《智能風控：原理、算法與工程實踐》一書的基礎內容進行了補充。讀者選擇本書為入門讀物，將《智能風控：原理、算法與工程實踐》一書作為進階讀物，則可以由淺入深地掌握信貸領域的分析建模技術。
此外，市面上類似的介紹數據建模、算法理論的書很容易陷入平鋪直敘的窘境，條理性和嚴謹性有余而生動性不足，特別是對于廣大初學者而言，一本容易閱讀的書更為有價值。因此，筆者特邀請知名插畫師毛鑫宇為本書手繪漫畫與插圖，使本書內容表達形式生動、有趣，貼近生活，希望讀者在閱讀本書的過程中不會感到枯燥乏味。
本書讀者對象
本書主要面向希望從事風險控制工作的分析師、建模師、算法工程師，也適合有一定統計基礎的在校學生和對使用Python實現自動化信用管理感興趣的讀者。
資源和勘誤
本書力求完美，但由于作者水平有限，錯誤和疏漏之處在所難免。在此，誠懇地期望得到各領域的專家和廣大讀者的批評與指正。
獲取更多相關資料以及提出反饋意見，請關注公眾號“大數據風控與機器學習”，后臺添加作者微信，加入讀者交流群，與更多從業者一起共同學習。書中相關代碼可從“華章計算機”公眾號獲取，回復“智能風控”即可。
致謝
首先，我必須要感謝本書的另外一位作者，同時也是本書封面、插畫設計者——毛鑫宇老師。毛老師是我十多年的好朋友，也是一位非常謙虛、低調、有才華的設計師。在過去的一年里，他在完美地完成本職工作的同時，陪著我一同創作了“智能風控”系列書，并在我遇到困難、多次想要放棄的時候，堅定地站在了我的身后。毫不夸張地說，這本書至少有一半功勞屬于毛老師。毛老師在百般推辭后才接受在本書封面署名。
其次，我要感謝李志勇教授、黃穎（知乎ID：黃姐姐Hjj）、趙越（知乎ID：微調）、馮海杰（知乎ID：求是汪在路上）、梁辰龍（公眾號/知乎 “金科應用研院”負責人）等數十位好友在日常交流和工作中對本人的指導。上述各位的書籍、專欄、公眾號為包括我在內的廣大風控從業者提供了極大的幫助，同時也是許多從業者入門與進階的指南。本書對各位專家的作品也有所借鑒，在此感謝亦師亦友的各位對本書的大力支持。
感謝toad庫開發者、前厚本金融數科團隊的周偉鵬、周夕鈺、董少乾等多位好友。他們開發的toad庫穩健、快速、功能強大，幾乎囊括了評分卡開發應用過程中所需的全部功能，為本書的寫作帶來了極大便利。相信在未來的發展與優化中，toad庫會成為廣大風控從業者必備的開發工具。
感謝機械工業出版社的楊福川老師和欒傳龍老師。兩位老師為本書花費了大量的個人時間，并在本書的創作過程中提出了寶貴的修改建議。
特別感謝林超穎、陳國棟、張斌斌等領導、同事的支持和理解。滿幫集團是一家學習氛圍非常濃厚的公司，我在滿幫集團工作的日子非常快樂。此外，還要感謝因篇幅限制而沒有提及名字的各位同事，非常感謝各位對我工作上的指導，以及思想和生活上的幫助。
最后感謝購買本書的讀者，希望本書能為您帶來一些收獲。
梅子行
2020年3月 |
內容簡介：本書基于Python講解了信用風險管理和評分卡建模，用漫畫的風格，從風險業務、統計分析方法、機器學習模型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，并提供大量的應用實例。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，然后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、變量處理、變量衍生、變量篩選、模型訓練、拒絕推斷、模型校準、決策應用、模型監控、模型重構與迭代、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。 |
目錄：推薦序
前言
第1章 信用管理基礎 /1
1.1 信用與管理 /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 賬齡分析與時間窗口設計 /17
2.3.3 數據集切分 /19
2.3.4 樣本選擇 /20
2.3.5 采樣與加權 /21
2.4 數據與變量解讀 /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函數 /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 后端監控 /59
3.6 迭代與重構 /61
3.6.1 模型迭代 /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 模型合并 /82
3.9 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拟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 數據探索與特征工程 /120
5.1 探索性數據分析 /121
5.1.1 連續型變量 /122
5.1.2 離散型變量 /123
5.1.3 代碼實現 /123
5.2 特征生成 /126
5.2.1 特征聚合 /127
5.2.2 特征組合 /145
5.3 特征變換 /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 特征篩選與建模 /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 標簽分裂 /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 迭代再分類法 /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 決策與應用 /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 變量篩選 /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 模型變量 /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 附件 /229
9.8 本章小結 /231 |
| 序： |
