91九色精品人成在线观看,一级特黄女人26毛片免费视频

內(nèi)容簡介

　　這是一部系統(tǒng)講解評分卡建模的智能風控著作，從業(yè)務與技術、理論與實踐、傳統(tǒng)風控與智能風控等角度透徹講解評分卡建模的原理、流程、方法及其風控策略構建。作者在智能風控領域深耕十余年，既熟悉商業(yè)銀行傳統(tǒng)風控體系思想、方法、技術、工具，又熟悉人工智能背景下的創(chuàng)新智能風控相關解決方案、風險策略和風險建模技術，本書是作者實踐經(jīng)驗的系統(tǒng)性總結。本書內(nèi)容分為六部分。第1部分（第1章）介紹評分卡建模基礎知識，包括評分卡模型的概念和定義、評分卡建模全流程、評分卡模型的評價等。第二部分（第2章）介紹銀行零售信貸領域產(chǎn)品特征和業(yè)務流程，以及信用風險和欺詐風險概念，介紹評分卡的應用場景和業(yè)務基礎知識。第三部分（第3~11章）系統(tǒng)介紹評分建模的全流程，覆蓋需求理解、數(shù)據(jù)理解、特征工程、模型設計、模型開發(fā)、模型驗證、模型部署、模型監(jiān)控、模型優(yōu)化等模型全生命周期各環(huán)節(jié)。第四部分（第12~14章）總結了評分建模的關鍵問題及其解決方案，包括拒絕推斷、模型可解釋性等，以及模型開發(fā)過程中諸如分布不均衡、模型性能下降、模型迭代漂移等問題。第五部分（第15章）介紹了當前業(yè)界除評分卡外使用頻率Z高的高維機器學習技術，比較了傳統(tǒng)評分卡模型和高維機器學習模型，并重點介紹了XGBoost和LightGBM模型。第六部分（第16章）以貸前自動化審批場景為例，介紹基于評分的自動化審批策略構建，幫助讀者理解評分卡模型在風險策略設計中的應用。

作者簡介

　　張偉（筆名：上善若愚）金融科技公司技術合伙人、高級風控總監(jiān)及解決方案專家，前FICO風險評分建模與風控業(yè)務策略專家。在金融風險管理和智能風控領域有近15年工作經(jīng)驗，擅長業(yè)務策略、量化建模、解決方案、風控體系建設，專注于商業(yè)銀行、消費金融和金融科技行業(yè)，在智能風控策略模型數(shù)據(jù)決策體系建設、風險業(yè)務架構和技術架構、信用風險業(yè)務策略與量化模型、信貸資產(chǎn)組合管理、金融資產(chǎn)定價與風險管理、業(yè)務安全技術、巴塞爾新資本協(xié)議等方面積累了豐富的工作經(jīng)驗。曾作為技術專家或行業(yè)專家多次受邀出席上海市政府組織的行業(yè)產(chǎn)業(yè)聯(lián)盟研討調(diào)研座談，多次受邀出席金融科技領域行業(yè)論壇并做主題演講或圓桌討論，多次接受主流金融科技媒體和財經(jīng)媒體采訪，并受聘為上海交通大學上海高金金融研究院研究員和華東理工大學商學院職業(yè)導師。

圖書目錄

贊譽
序1
序2
序3
前言
第1章　評分卡建模理論基礎 1
1.1　評分卡建模常見面試問題 1
1.2　關于模型的系統(tǒng)性理解 2
1.3　與建模密切相關的4個領域 3
1.3.1　機器學習 3
1.3.2　數(shù)據(jù)挖掘 4
1.3.3　數(shù)據(jù)分析 4
1.3.4　統(tǒng)計分析 5
1.3.5　四者之間的聯(lián)系與區(qū)別 5
1.4　評分模型與評分卡模型 6
1.4.1　評分模型和評分卡模型的定義 6
1.4.2　評分卡模型的分類 6
1.4.3　評分卡模型的適用性 7
1.4.4　評分卡模型的價值 8
1.4.5　評分卡模型的應用 9
1.5　評分卡建模全流程 9
1.6　對評分卡模型的評價 10
1.7　本章小結 11
第2章　零售信貸業(yè)務基礎和風險管理 12
2.1　銀行零售信貸產(chǎn)品的產(chǎn)品特征和業(yè)務流程 12
2.1.1　個人貸款 13
2.1.2　信用卡 17
2.2　信用與信用風險 21
2.2.1　信用風險識別 22
2.2.2　信用風險評估 23
2.2.3　信用風險監(jiān)測 24
2.2.4　信用風險控制 24
2.2.5　征信 25
2.3　欺詐與欺詐風險 26
2.3.1　欺詐風險的分類 27
2.3.2　欺詐風險的防范 27
2.3.3　欺詐風險與信用風險比較 27
2.4　本章小結 28
第3章　業(yè)務需求理解 29
3.1　業(yè)務需求理解概述 29
3.2　明確擬解決問題和分析目標 29
3.3　業(yè)務訪談的設計和實施 30
3.4　整體分析方案設計 31
3.5　本章小結 32
第4章　數(shù)據(jù)基礎決定模型效果上限 33
4.1　關于數(shù)據(jù)的系統(tǒng)性認識 33
4.1.1　數(shù)據(jù)基本特征 33
4.1.2　常見數(shù)據(jù)問題 36
4.2　傳統(tǒng)信貸業(yè)務數(shù)據(jù) 37
4.2.1　貸款可用數(shù)據(jù) 38
4.2.2　信用卡可用數(shù)據(jù) 38
4.3　征信數(shù)據(jù) 39
4.3.1　征信數(shù)據(jù)概述 39
4.3.2　一代人行征信 40
4.3.3　二代人行征信 41
4.3.4　一、二代人行征信的差異及映射轉(zhuǎn)換 42
4.3.5　人行征信數(shù)據(jù)的使用 43
4.4　內(nèi)外部大數(shù)據(jù) 44
4.4.1　大數(shù)據(jù)概述 44
4.4.2　銀行內(nèi)部大數(shù)據(jù) 45
4.4.3　銀行外部大數(shù)據(jù) 45
4.5　數(shù)據(jù)質(zhì)量診斷 46
4.5.1　數(shù)據(jù)質(zhì)量診斷目的 46
4.5.2　數(shù)據(jù)質(zhì)量診斷方法 47
4.6　業(yè)務數(shù)據(jù)分析 48
4.6.1　業(yè)務數(shù)據(jù)分析目的 48
4.6.2　業(yè)務數(shù)據(jù)分析方法 49
4.7　本章小結 49
第5章　利用特征工程提取有效的風險特征 50
5.1　特征工程概述 50
5.1.1　特征與特征工程 50
5.1.2　數(shù)據(jù)處理與特征工程流程 51
5.1.3　特征工程的理論體系 51
5.1.4　特征工程的抽象范式 52
5.2　特征預處理與轉(zhuǎn)換 53
5.2.1　常見數(shù)據(jù)質(zhì)量問題 53
5.2.2　特征清洗與預處理 53
5.2.3　特征編碼 54
5.2.4　特征轉(zhuǎn)換 55
5.3　特征提取與生成 56
5.3.1　業(yè)務專家經(jīng)驗定義 56
5.3.2　工程化自動化衍生 56
5.3.3　表征學習 58
5.4　特征評價、選擇與降維 62
5.4.1　特征評價 62
5.4.2　特征選擇與降維 63
5.5　自動化特征工程技術與工具 65
5.5.1　自動化特征工程概述 65
5.5.2　自動化特征工程工具 66
5.6　本章小結 74
第6章　評分卡模型設計 75
6.1　模型設計概述 75
6.1.1　模型設計的定義 75
6.1.2　模型設計的工作內(nèi)容 76
6.2　排除規(guī)則與樣本范圍 76
6.2.1　排除規(guī)則和樣本范圍的定義 76
6.2.2　申請評分卡模型排除規(guī)則 77
6.2.3　行為評分卡模型排除規(guī)則 77
6.2.4　催收評分卡模型排除規(guī)則 78
6.3　模型細分 79
6.4　表現(xiàn)期定義與Vintage分析 80
6.4.1　表現(xiàn)期定義 80
6.4.2　Vintage分析 80
6.5　滾動率 83
6.5.1　滾動率定義 83
6.5.2　滾動率分析 84
6.5.3　滾動率計算常見問題 84
6.6　觀察期的定義與選擇 85
6.6.1　觀察期的定義 85
6.6.2　觀察期的選擇 85
6.7　模型設計匯總計數(shù) 86
6.7.1　匯總計數(shù)定義 87
6.7.2　匯總計數(shù)的特別說明 87
6.8　建模方式和模型原型選擇 87
6.9　本章小結 88
第7章　評分卡模型開發(fā) 89
7.1　模型開發(fā)概述 89
7.2　樣本分區(qū) 90
7.3　樣本抽樣 91
7.4　變量預篩選 93
7.5　變量分箱 94
7.6　變量再篩選 96
7.7　變量轉(zhuǎn)換WOE 97
7.8　使用邏輯回歸進行模型擬合 97
7.8.1　多重共線性檢驗 97
7.8.2　邏輯回歸建模 98
7.8.3　模型訓練結果 100
7.9　模型驗證 101
7.9.1　排序性 101
7.9.2　區(qū)分能力 101
7.9.3　穩(wěn)定性 103
7.9.4　分值集中度 103
7.9.5　分值分布 104
7.9.6　離散度 104
7.10　評分標尺 105
7.11　模型導出PMML并測試 107
7.12　評分卡建模專用Python包 108
7.12.1　scorecardpy工具包 108
7.12.2　toad工具包 108
7.12.3　RiskModeler工具包 109
7.13　評分卡建模實例 109
7