智能風控與反欺詐:體系、算法與實踐

蔡主希 著

  • 出版商: 機械工業
  • 出版日期: 2021-03-01
  • 定價: $534
  • 售價: 8.5$454
  • 語言: 簡體中文
  • 頁數: 212
  • 裝訂: 平裝
  • ISBN: 7111676254
  • ISBN-13: 9787111676256

下單後立即進貨 (約4週~6週)

相關主題

商品描述

這是一部指導信貸業務如何用智能風控、反欺詐的技術和方法實現風險控制的著作。
作者是資深的智能風控算法專家,先後就職於頭部的互聯網公司的金融部門以及頭部的公募基金公司,致力於人工智能算法在信貸風控領域的應用。
本書不僅體系化地講解了智能風控和反欺詐的體系、算法、模型以及它們在信貸風控領域實踐的全流程,而且還從業務和技術兩個角度講解了傳統的金融風控體系如何與智能風控方法實現雙劍合璧。全書以實戰為導向,輔以多個用Python實現的綜合案例,便於讀者理解和實操。
全書共10章,邏輯上分為四個部分:
第1~3章是風控業務的基礎,首先介紹了什麽是信用風險和欺詐風險,然後講解了傳統風險管理體系中搭建評分卡的思路,以及智能風控時代數據和模型的技術框架。
第4~6章集中講述了智能風控中常見的特徵工程、算法原理和建模流程,包括梯度提升決策樹、孤立森林、神經網絡、詞嵌入、圖嵌入等前沿算法的數學原理和公式。
第7~9章是作者參與過的風控和反欺詐實戰項目,以案例和代碼的形式,幫助讀者更好地將風控理念和建模技術融會貫通。
第10章以金融科技行業的頭部玩家為例,展望了智能風控和反欺詐技術未來的商業模式和發展方向。

作者簡介

蔡主希.研究生畢業於哥倫比亞大學統計專業,資深智能風控算法專家。
.現就職於某具有“全牌照”業務的綜合性國際化資產管理集團,負責人工智能算法在金融科技領域的研究和落地。
曾任兩家頭部互聯網公司金融部門風控算法專家,以及北京大數據研究院金融研究員。
.是國內大數據風控領域的先驅者,致力於機器學習和人工智能算法在信貸風控領域的應用,參與過上百億信貸資產的管理,為超過30家金融機構搭建風險運營SaaS平台,主持過多家銀行的本地化風控體系建設項目。

目錄大綱

推薦序
前 言
第1章 互聯網金融與風險管理1
1.1 互聯網金融的發展和現狀1
1.2 風險管理類型劃分2
1.2.1 欺詐風險4
1.2.2 信用風險6
1.3 風險管理的重要性10
1.3.1 風險評估10
1.3.2 差異化定價12
1.3.3 整體利潤最優13
1.4 本章小結14
第2章 傳統風險管理體系15
2.1 人工審核15
2.1.1 紙質材料評估16
2.1.2 電話回訪16
2.1.3 線下走訪盡調17
2.2 專家模型17
2.2.1 業務規則庫17
2.2.2 專家調查權重法18
2.2.3 熵權法19
2.3 評分卡模型21
2.3.1 目標定義21
2.3.2 樣本選取23
2.3.3 變量分箱24
2.3.4 變量篩選24
2.3.5 模型建立29
2.3.6 模型評估30
2.3.7 模型應用33
2.4 傳統方法的問題和挑戰34
2.5 本章小結35
第3章 智能風控模型體系36
3.1 大數據平臺36
3.1.1 原始數據清洗37
3.1.2 數據倉庫管理37
3.1.3 數據標簽應用38
3.2 決策引擎38
3.2.1 規則配置39
3.2.2 模型部署40
3.2.3 冠軍挑戰者41
3.2.4 版本和權限管理42
3.3 智能反欺詐模型42
3.3.1 無監督學習43
3.3.2 圖計算44
3.4 智能信用風險模型45
3.4.1 專家模型45
3.4.2 邏輯回歸46
3.4.3 決策樹46
3.4.4 集成樹47
3.4.5 深度神經網絡47
3.4.6 循環神經網絡48
3.5 智能模型帶來的提升48
3.5.1 數據廣度和深度48
3.5.2 模型快速迭代和主動學習49
3.5.3 線上自動決策49
3.6 統計學與機器學習49
3.7 本章小結50
第4章 風控大數據體系51
4.1 數據源類型51
4.1.1 徵信報告52
4.1.2 消費能力54
4.1.3 資產狀況54
4.1.4 基本信息54
4.1.5 黑名單55
4.1.6 多頭借貸55
4.1.7 運營商56
4.1.8 地理位置56
4.1.9 設備屬性57
4.1.10 操作行為57
4.2 特徵工程方法57
4.2.1 統計量58
4.2.2 離散化58
4.2.3 時間周期趨勢59
4.2.4 交叉項59
4.2.5 隱性特徵60
4.2.6 用戶畫像61
4.3 數據測試與應用61
4.3.1 聯合建模機制61
4.3.2 數據質量評估62
4.3.3 線上應用63
4.4 數據安全合規63
4.5 本章小結64
第5章 智能風控中的常用算法68
5.1 有監督學習68
5.1.1 邏輯回歸69
5.1.2 決策樹70
5.1.3 隨機森林73
5.1.4 梯度提升決策樹74
5.2 無監督學習76
5.2.1 聚類76
5.2.2 孤立森林79
5.3 深度學習80
5.3.1 深度神經網絡80
5.3.2 循環神經網絡83
5.3.3 詞嵌入86
5.3.4 自編碼器88
5.3.5 遷移學習89
5.4 圖計算91
5.4.1 社區發現91
5.4.2 標簽傳播92
5.4.3 圖嵌入93
5.5 強化學習97
5.6 本章小結99
第6章 智能模型訓練流程101
6.1 數據清洗101
6.1.1 缺失值處理102
6.1.2 異常值處理103
6.1.3 重復值處理105
6.1.4 一致性檢驗105
6.1.5 有效性檢驗106
6.2 特徵工程和特徵篩選107
6.2.1 探索性數據分析107
6.2.2 穩定性108
6.2.3 重要性109
6.2.4 相關性110
6.2.5 解釋性111
6.3 模型訓練111
6.4 模型部署114
6.5 監控預警114
6.6 本章小結119
第7章 反欺詐案例120
7.1 案例背景120
7.2 原始數據介紹120
7.3 探索性數據分析121
7.3.1 交易筆數121
7.3.2 交易時間122
7.3.3 交易類型123
7.3.4 交易IP地址124
7.4 特徵工程124
7.4.1 特徵加工124
7.4.2 特徵篩選130
7.4.3 特徵分組130
7.5 模型訓練131
7.6 模型評估134
7.7 案例優化136
7.8 本章小結137
第8章 個人信貸風控案例138
8.1 案例背景138
8.2 原始數據介紹139
8.3 特徵工程139
8.4 探索性數據分析142
8.5 模型訓練144
8.5.1 邏輯回歸144
8.5.2 XGBoost150
8.5.3 Wide&Deep158
8.6 模型評估162
8.7 模型應用168
8.8 案例優化169
8.9 本章小結170
第9章 企業信貸風控案例171
9.1 銀行POS貸171
9.1.1 案例背景171
9.1.2 原始數據介紹172
9.1.3 特徵工程173
9.1.4 模型訓練173
9.1.5 模型應用176
9.2 汽車金融CP評級178
9.2.1 案例背景178
9.2.2 原始數據&特徵工程179
9.2.3 模型訓練179
9.2.4 模型評估181
9.3 案例優化182
9.4 本章小結183
第10章 智能風控能力對外輸出184
10.1 對外輸出的意義184
10.1.1 內部能力“走出去”185
10.1.2 外部資源“引進來”185
10.2 頭部玩家介紹186
10.2.1 互聯網公司186
10.2.2 銀行科技子公司189
10.2.3 第三方技術提供商190
10.3 合作模式及案例191
10.3.1 SaaS +本地化模式192
10.3.2 對外輸出案例193
10.4 金融科技創新與監管195
10.5 本章小結197