封面
版权信息
推荐序
前言
第1章 互联网金融与风险管理
1.1 互联网金融的发展和现状
1.2 风险管理类型划分
1.2.1 欺诈风险
1.2.2 信用风险
1.3 风险管理的重要性
1.3.1 风险评估
1.3.2 差异化定价
1.3.3 整体利润最优
1.4 本章小结
第2章 传统风险管理体系
2.1 人工审核
2.1.1 纸质材料评估
2.1.2 电话回访
2.1.3 线下走访尽调
2.2 专家模型
2.2.1 业务规则库
2.2.2 专家调查权重法
2.2.3 熵权法
2.3 评分卡模型
2.3.1 目标定义
2.3.2 样本选取
2.3.3 变量分箱
2.3.4 变量筛选
2.3.5 模型建立
2.3.6 模型评估
2.3.7 模型应用
2.4 传统方法的问题和挑战
2.5 本章小结
第3章 智能风控模型体系
3.1 大数据平台
3.1.1 原始数据清洗
3.1.2 数据仓库管理
3.1.3 数据标签应用
3.2 决策引擎
3.2.1 规则配置
3.2.2 模型部署
3.2.3 冠军挑战者
3.2.4 版本和权限管理
3.3 智能反欺诈模型
3.3.1 无监督学习
3.3.2 图计算
3.4 智能信用风险模型
3.4.1 专家模型
3.4.2 逻辑回归
3.4.3 决策树
3.4.4 集成树
3.4.5 深度神经网络
3.4.6 循环神经网络
3.5 智能模型带来的提升
3.5.1 数据广度和深度
3.5.2 模型快速迭代和主动学习
3.5.3 线上自动决策
3.6 统计学与机器学习
3.7 本章小结
第4章 风控大数据体系
4.1 数据源类型
4.1.1 征信报告
4.1.2 消费能力
4.1.3 资产状况
4.1.4 基本信息
4.1.5 黑名单
4.1.6 多头借贷
4.1.7 运营商
4.1.8 地理位置
4.1.9 设备属性
4.1.10 操作行为
4.2 特征工程方法
4.2.1 统计量
4.2.2 离散化
4.2.3 时间周期趋势
4.2.4 交叉项
4.2.5 隐性特征
4.2.6 用户画像
4.3 数据测试与应用
4.3.1 联合建模机制
4.3.2 数据质量评估
4.3.3 线上应用
4.4 数据安全合规
4.5 本章小结
第5章 智能风控中的常用算法
5.1 有监督学习
5.1.1 逻辑回归
5.1.2 决策树
5.1.3 随机森林
5.1.4 梯度提升决策树
5.2 无监督学习
5.2.1 聚类
5.2.2 孤立森林
5.3 深度学习
5.3.1 深度神经网络
5.3.2 循环神经网络
5.3.3 词嵌入
5.3.4 自编码器
5.3.5 迁移学习
5.4 图计算
5.4.1 社区发现
5.4.2 标签传播
5.4.3 图嵌入
5.5 强化学习
5.6 本章小结
第6章 智能模型训练流程
6.1 数据清洗
6.1.1 缺失值处理
6.1.2 异常值处理
6.1.3 重复值处理
6.1.4 一致性检验
6.1.5 有效性检验
6.2 特征工程和特征筛选
6.2.1 探索性数据分析
6.2.2 稳定性
6.2.3 重要性
6.2.4 相关性
6.2.5 解释性
6.3 模型训练
6.4 模型部署
6.5 监控预警
6.6 本章小结
第7章 反欺诈案例
7.1 案例背景
7.2 原始数据介绍
7.3 探索性数据分析
7.3.1 交易笔数
7.3.2 交易时间
7.3.3 交易类型
7.3.4 交易IP地址
7.4 特征工程
7.4.1 特征加工
7.4.2 特征筛选
7.4.3 特征分组
7.5 模型训练
7.6 模型评估
7.7 案例优化
7.8 本章小结
第8章 个人信贷风控案例
8.1 案例背景
8.2 原始数据介绍
8.3 特征工程
8.4 探索性数据分析
8.5 模型训练
8.5.1 逻辑回归
8.5.2 XGBoost
8.5.3 Wide&Deep
8.6 模型评估
8.7 模型应用
8.8 案例优化
8.9 本章小结
第9章 企业信贷风控案例
9.1 银行POS贷
9.1.1 案例背景
9.1.2 原始数据介绍
9.1.3 特征工程
9.1.4 模型训练
9.1.5 模型应用
9.2 汽车金融CP评级
9.2.1 案例背景
9.2.2 原始数据&特征工程
9.2.3 模型训练
9.2.4 模型评估
9.3 案例优化
9.4 本章小结
第10章 智能风控能力对外输出
10.1 对外输出的意义
10.1.1 内部能力“走出去”
10.1.2 外部资源“引进来”
10.2 头部玩家介绍
10.2.1 互联网公司
10.2.2 银行科技子公司
10.2.3 第三方技术提供商
10.3 合作模式及案例
10.3.1 SaaS+本地化模式
10.3.2 对外输出案例
10.4 金融科技创新与监管
10.5 本章小结
更新时间：2021-04-02 09:33:33
完结共178章
倒序