智能風控：Python金融風險管理與評分卡建模（簡體書）

內容簡介
本書基於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，並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，然後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。

梅子行



資深風控技術專家、AI技術專家和算法專家，歷任多家知名金融科技公司的算法研究員、數據挖掘工程師。師承Experian、Discover等企業的資深風控專家，擅長深度學習、複雜網絡、遷移學習、異常檢測等非傳統機器學習方法，熱衷於數據挖掘以及算法的跨領域優化實踐。



著有暢銷書《智能風控：原理、算法與工程實踐》，是本書的姊妹篇。



公眾號與知乎專欄：“大數據風控與機器學習”。







毛鑫宇



資深品牌視覺設計師、插畫設計師。曾任職國內知名文旅公司品牌設計師，設計打造知名文化旅遊目的地及品牌設計案例，作為插畫設計師完成《智能風控：原理、算法與工程實踐》一書。擅長品牌視覺設計、IP形象設計、插畫設計，致力於用設計創造價值，讓設計在跨領域合作中碰撞出更多的可能性。站酷設計師主頁為“白鴿巡遊記”。

資深風控工程師用漫畫風格從3維度詳解信用風險量化分析與建模，大量算法和案例，學術界和企業界共同推薦

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 採樣與加權 /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 空間表徵 /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 後端監控 /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 模型合併 /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 數據分佈可視化 /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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 數據探索與特徵工程 /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 特徵生成 /126

5.2.1 特徵聚合 /127

5.2.2 特徵組合 /145

5.3 特徵變換 /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 特徵篩選與建模 /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 負樣本分佈圖 /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