Python金融大數(shù)據(jù)風控建模實戰(zhàn)：基于機器學習

前言
第1篇 智能風控背景
第1章 金融科技介紹
1．1 金融科技的前世今生
1．2 金融科技正深刻地改變和塑造著金融業(yè)態(tài)
1．3 新興科技不斷強化金融科技的應用能力
1．4 金融風險控制面臨著的挑戰(zhàn)
1．5 智能風控和評分卡
1．6 評分卡模型的開發(fā)流程
第2章 機器學習介紹
2．1 機器學習的概念
2．2 機器學習的分類
2．2．1 有監(jiān)督學習
2．2．2 無監(jiān)督學習
2．2．3 強化學習
2．3 機器學習與人工智能的關(guān)系
2．4 機器學習與數(shù)學的關(guān)系
2．5 機器學習與深度學習
第3章 評分卡模型介紹
3．1 申請評分卡
3．1．1 數(shù)據(jù)獲取
3．1．2 好壞樣本定義
3．1．3 觀察期與表現(xiàn)期確定
3．1．4 樣本分層
3．1．5 數(shù)據(jù)清洗與預處理
3．1．6 特征工程
3．1．7 模型訓練與優(yōu)化
3．2 行為評分卡
3．2．1 數(shù)據(jù)獲取
3．2．2 時間窗口
3．2．3 特征工程
3．3 催收評分卡
3．3．1 催收評分卡分類
3．3．2 催收策略
3．4 反欺詐模型
3．4．1 欺詐風險與信用風險比較
3．4．2 欺詐模型好壞樣本定義
3．4．3 欺詐主體分析
3．4．4 反欺詐方法介紹
第2篇 評分卡理論與實戰(zhàn)基礎
第4章 數(shù)據(jù)清洗與預處理
4．1 數(shù)據(jù)集成
4．2 數(shù)據(jù)清洗
4．3 探索性數(shù)據(jù)分析
4．4 Python代碼實踐
4．4．1 數(shù)據(jù)集成
4．4．2 數(shù)據(jù)清洗
4．4．3 探索性數(shù)據(jù)分析
第5章 變量編碼方法
5．1 無監(jiān)督編碼
5．1．1 One-hot編碼
5．1．2 Dummy variable編碼
5．1．3 Label編碼
5．2 有監(jiān)督編碼
5．2．1 WOE編碼
5．2．2 WOE編碼與One-hot編碼比較
5．3 Python代碼實踐
5．3．1 One-hot編碼
5．3．2 Dummy variable編碼
5．3．3 Label編碼
5．3．4 WOE編碼
第6章 變量分箱方法
6．1 變量分箱流程
6．2 優(yōu)Chi-merge卡方分箱方法
6．3 Best-KS分箱方法
6．4 優(yōu)IV分箱方法
6．5 基于樹的優(yōu)分箱方法
6．6 Python代碼實踐
6．6．1 優(yōu)Chi-merge分箱
6．6．2 優(yōu)IV分箱
6．6．3 基于樹的分箱
第7章 變量選擇
7．1 過濾法變量選擇
7．2 包裝法變量選擇
7．3 嵌入法變量選擇
7．4 Python代碼實踐
7．4．1 過濾法變量選擇
7．4．2 包裝法變量選擇
7．4．3 嵌入法變量選擇
第8章 Logistic回歸模型
8．1 Logistic回歸模型原理
8．2 過擬合與欠擬合
8．3 Python代碼實踐
第9章 模型的評估指標
9．1 正負樣本的選擇
9．2 標準評估指標
9．3 概率密度評估指標
9．4 概率分布評估指標
9．5 Python代碼實踐
第10章 評分卡分數(shù)轉(zhuǎn)化
10．1 由概率到分數(shù)的轉(zhuǎn)換
10．2 變量的分值計算
10．3 評分卡性能評估
10．4 Python代碼實踐
第11章 模型在線監(jiān)控
11．1 穩(wěn)定性監(jiān)控
11．2 單調(diào)性監(jiān)控
11．3 性能監(jiān)控指標
11．4 Python代碼實踐
第3篇 評分卡理論與實戰(zhàn)進階
第12章 樣本不均衡處理
12．1 數(shù)據(jù)層下采樣樣本不均衡的處理方法
12．1．1 隨機下采樣方法
12．1．2 樣本鄰域選擇的下采樣方法
12．1．3 樣本鄰域清理的下采樣方法
12．1．4 Bagging集成的下采樣方法
12．1．5 Boosting集成的下采樣方法
12．2 數(shù)據(jù)層上采樣樣本不均衡的處理方法
12．2．1 隨機上采樣方法
12．2．2 SMOTE樣本生成方法
12．2．3 Borderline-SMOTE樣本生成方法
12．3 算法層樣本不均衡的處理方法
12．4 模型評估層樣本不均衡的處理方法
12．5 Python代碼實踐
12．5．1 數(shù)據(jù)層下采樣樣本不均衡處理代碼實現(xiàn)
12．5．2 數(shù)據(jù)層上采樣樣本不均衡處理代碼實現(xiàn)
第13章 特征工程進階
13．1 數(shù)據(jù)層特征工程
13．2 算法層特征工程
13．2．1 基于樹模型的特征生成
13．2．2 FM特征交
13．3 Python代碼實踐
13．3．1 數(shù)據(jù)層特征工程代碼實現(xiàn)
13．3．2 算法層特征工程代碼實現(xiàn)
第14章 決策樹模型
14．1 決策樹模型的原理
14．2 決策樹學習
14．3 決策樹與過擬合
14．4 Python代碼實踐
第15章 神經(jīng)網(wǎng)絡模型
15．1 神經(jīng)元模型
15．2 神經(jīng)網(wǎng)絡的網(wǎng)絡結(jié)構(gòu)
15．3 神經(jīng)網(wǎng)絡的學習策略
15．4 Python代碼實踐
第16章 支持向量機模型
16．1 感知器模型
16．1．1 感知器模型的原理
16．1．2 感知器與支持向量機模型
16．2 線性可分支持向量機
16．3 線性支持向量機
16．4 非線性支持向量機
16．5 感知器相關(guān)模型比較
16．6 Python代碼實踐
16．6．1 線性支持向量機模型代碼實現(xiàn)
16．6．2 非線性支持向量機模型代碼實現(xiàn)
第17章 集成學習
17．1 Bagging與Boosting對比
17．2 Random Forest模型原理
17．3 Adaboost模型原理
17．4 GBDT模型原理
17．5 Xgboost模型原理
17．6 Python代碼實踐
17．6．1 Random Forest模型
17．6．2 Adaboost模型
17．6．3 GBDT模型
17．6．4 Xgboost模型
第18章 模型融合
18．1 Blending方法原理
18．2 Stacking方法原理
18．3 Python代碼實踐
18．3．1 Blending模型融合代碼實現(xiàn)
18．3．2 Stacking模型融合代碼實現(xiàn)
第4篇 Lending Club數(shù)據(jù)集實戰(zhàn)
第19章 完整的模型開發(fā)實現(xiàn)
19．1 數(shù)據(jù)源介紹
19．2 數(shù)據(jù)的獲取與預處理
19．2．1 數(shù)據(jù)準備
19．2．2 好壞樣本定義
19．2．3 數(shù)據(jù)清洗與預處理
19．3 特征工程
19．3．1 簡單的特征工程
19．3．2 變量分箱與編碼
19．3．3 變量選擇
19．4 模型構(gòu)建與評估
19．4．1 模型構(gòu)建與優(yōu)化
19．4．2 模型評估
19．5 評分卡生成
附錄A 主要符號表
附錄B 開發(fā)環(huán)境簡介
參考文獻