现货包邮 智能风控:Python金融风险管理与评分卡建模 梅子行 毛鑫宇|8069615pdf下载

现货包邮 智能风控:Python金融风险管理与评分卡建模 梅子行 毛鑫宇|8069615百度网盘pdf下载

作者:
简介:现货包邮 智能风控:Python金融风险管理与评分卡建模 梅子行 毛鑫宇|8069615
出版社：
出版时间：
pdf下载价格：0.00￥

免费下载

前去下载

书籍下载

下载地址

内容介绍

 书名：  智能风控：Python金融风险管理与评分卡建模|8069615
 图书定价： 89元
 图书作者： 梅子行 毛鑫宇
 出版社：  机械工业出版社
 出版日期：  2020/4/30 0:00:00
 ISBN号： 9787111653752
 开本： 16开
 页数： 246
 版次： 1-1
 作者简介
梅子行 毛鑫宇 著：作者简介
梅子行

作者是风控、AI和算法领域的资深工程师，历任多家知名金融科技公司的算法研究员、数据挖掘工程师。师承Experian、Discover等企业的资深风控专家，擅长深度学习、复杂网络、迁移学习、异常检测等非传统机器学习方法，热衷于数据挖掘以及算法的跨领域优化实践。
著有畅销书《智能风控：原理、算法与工程实践》，是本书的姊妹篇，被**网评为科技类图书新星作家。
公众号与知乎专栏：“大数据风控与机器学习”。

毛鑫宇

资深品牌视觉设计师、插画设计师。曾任职国内知名文旅公司品牌设计师，设计打造知名文化旅游目的地及品牌设计案例，作为插画设计师完成《智能风控：原理、算法与工程实践》一书。擅长品牌视觉设计、IP形象设计、插画设计，致力于用设计创造价值，让设计在跨领域合作中碰撞出更多的可能性。站酷设计师主页为“白鸽巡游记”。
 内容简介
内容简介
本书基于Python讲解了信用风险管理和评分卡建模，用漫画的风格，从风险业务、统计分析方法、机器学习模型3个维度展开，详细讲解了信用风险量化相关的数据分析与建模手段，并提供大量的应用实例。作者在多加知名金融公司从事算法研究多年，经验丰富，本书得到了学术界和企业界多位金融风险管理专家的高度评价。
全书一共9章，首先介绍了信用风险量化的基础，然后依次讲解了信用评分模型开发过程中的数据处理、用户分群、变量处理、变量衍生、变量筛选、模型训练、拒绝推断、模型校准、决策应用、模型监控、模型重构与迭代、模型报告撰写等内容。
所有章节都由问题、算法、案例三部分组成，针对性和实战性都非常强。
 目录

推荐序
前言
第1章　信用管理基础　/1
1.1　信用与管理　/2
1.2　风控术语解读　/3
1.2.1　信贷基础指标　/4
1.2.2　信贷风险指标　/5
1.3　企业信贷风控架构　/7
1.4　本章小结　/10
第2章　评分卡　/11
2.1　评分卡概念　/12
2.1.1　适用客群　/13
2.1.2　用途　/14
2.2　建模流程　/15
2.3　模型设计　/16
2.3.1　业务问题转化　/17
2.3.2　账龄分析与时间窗口设计　/17
2.3.3　数据集切分　/19
2.3.4　样本选择　/20
2.3.5　采样与加权　/21
2.4　数据与变量解读　/25
2.5　本章小结　/26
第3章　机器学习　/27
3.1　基本概念　/28
3.1.1　空间表征　/29
3.1.2　模型学习　/31
3.1.3　模型评价　/32
3.2　广义线性模型　/33
3.2.1　多元线性回归模型　/34
3.2.2　经验风险与结构风险　/35
3.2.3　极大似然估计　/38
3.3　逻辑回归　/39
3.3.1　sigmoid函数　/40
3.3.2　**似然估计　/41
3.3.3　多项逻辑回归学习　/41
3.3.4　标准化　/42
3.4　性能度量　/44
3.4.1　误差　/45
3.4.2　混淆矩阵与衍生指标　/45
3.4.3　不均衡模型评价　/48
3.4.4　业务评价　/52
3.5　上线部署与监控　/55
3.5.1　上线部署　/55
3.5.2　前端监控　/57
3.5.3　后端监控　/59
3.6　迭代与重构　/61
3.6.1　模型迭代　/61
3.6.2　模型重构　/62
3.7　辅助模型　/62
3.7.1　XGBoost　/63
3.7.2　模型解释性　/74
3.7.3　因子分解机　/81
3.8　模型合并　/82
3.9　本章小结　/86
第4章　用户分群　/87
4.1　辛普森悖论　/88
4.2　监督分群　/90
4.2.1　决策树原理　/90
4.2.2　决策树分群　/92
4.2.3　生成拒绝规则　/95
4.3　无监督分群　/105
4.3.1　GMM原理　/106
4.3.2　GMM分群　/107
4.4　用户画像与聚类分析　/108
4.4.1　数据分布可视化　/109
4.4.2　K均值聚类　/110
4.4.3　均值漂移聚类　/111
4.4.4　层次聚类　/113
4.4.5　tSNE聚类　/114
4.4.6　DBSCAN聚类　/115
4.4.7　方差分析　/117
4.5　本章小结　/119
第5章　数据探索与特征工程　/120
5.1　探索性数据分析　/121
5.1.1　连续型变量　/122
5.1.2　离散型变量　/123
5.1.3　代码实现　/123
5.2　特征生成　/126
5.2.1　特征聚合　/127
5.2.2　特征组合　/145
5.3　特征变换　/147
5.3.1　卡方分箱　/148
5.3.2　聚类分箱　/150
5.3.3　分箱对比　/151
5.3.4　箱的调整　/154
5.3.5　两种特殊的调整方法　/156
5.3.6　WOE映射　/158
5.4　本章小结　/158
第6章　特征筛选与建模　/159
6.1　初步筛选　/160
6.1.1　缺失率　/160
6.1.2　信息量　/161
6.1.3　相关性　/162
6.1.4　代码实现　/163
6.2　逐步回归　/164
6.2.1　F检验　/165
6.2.2　常见逐步回归策略　/165
6.2.3　检验标准　/166
6.2.4　代码实现　/167
6.3　稳定性　/167
6.4　负样本分布图　/169
6.5　评分卡案例　/171
6.6　本章小结　/189
第7章　拒绝推断　/190
7.1　偏差产生的原因　/191
7.2　数据验证　/193
7.3　标签分裂　/193
7.4　数据推断　/195
7.4.1　硬截断法　/195
7.4.2　模糊展开法　/198
7.4.3　重新加权法　/199
7.4.4　外推法　/200
7.4.5　迭代再分类法　/202
7.5　本章小结　/204
第8章　模型校准与决策　/205
8.1　模型校准的意义　/206
8.2　校准方法　/207
8.2.1　通用校准　/208
8.2.2　多模型校准　/210
8.2.3　错误分配　/214
8.2.4　权重还原　/215
8.3　决策与应用　/215
8.3.1　**评分切分　/216
8.3.2　交换集分析　/216
8.3.3　人工干预　/218
8.4　本章小结　/219
第9章　模型文档　/220
9.1　模型背景　/221
9.2　模型设计　/222
9.2.1　模型样本　/222
9.2.2　坏客户定义　/222
9.3　数据准备　/223
9.3.1　数据提取　/223
9.3.2　历史趋势聚合　/224
9.3.3　缺失值与极值处理　/224
9.3.4　WOE处理　/225
9.4　变量筛选　/225
9.4.1　根据IV值进行初筛　/226
9.4.2　逐步回归分析　/226
9.4.3　模型调优　/226
9.5　最终模型　/227
9.5.1　模型变量　/227
9.5.2　模型表现　/228
9.5.3　模型分制转换　/228
9.6　表现追踪　/228
9.7　附件　/229
9.8　本章小结　/231