金融数据分析和数据挖掘案例实战电子书

前折页

内容简介

序言

第1篇 原理篇

第1章 数据科学思维

1.1 数据科学的工作范式

1.2 数据分析方法和流程

1.2.1 发现问题

1.2.2 近因分析

1.2.3 根因分析

1.2.4 做出预测

1.2.5 制定方案

1.2.6 验证方案

1.3 数据挖掘方法论

1.3.1 CRISP-DM方法论

1.3.2 SEMMA方法论

1.4 金融行业数据挖掘场景

第2篇 技术篇

第2章 某银行贷款产品精准营销模型

2.1 数据介绍

2.2 商业分析

2.2.1 发现问题

2.2.2 诊断问题

2.2.3 明确目标

2.2.4 定性分析

2.3 数据理解

2.3.1 建立特征体系

2.3.2 明确被解释变量的定义

2.3.3 明确入模样本

2.3.4 明确取数时间窗口

2.3.5 编写取数文档

2.4 数据准备

2.4.1 提取被解释变量

2.4.2 提取静态特征和时点特征

2.4.3 提取时期特征

2.4.4 提取预测用数据宽表

2.5 建模和评估

2.5.1 定量客户画像与数据清洗

2.5.2 建立逻辑回归模型

2.5.3 评估模型

2.6 模型运用的准备工作

2.7 流程回顾

第3章 多维特征的客户细分

3.1 客户细分

3.1.1 客户细分定义

3.1.2 客户细分类型

3.1.3 案例：银行多维度客户画像

3.2 预处理

3.2.1 填补缺失值

3.2.2 修订错误值

3.2.3 处理离散型变量

3.2.4 正态化与标准化

3.3 维度分析

3.4 聚类

3.5 簇特征的解释

第4章 信用风险预测模型

4.1 信贷全生命周期风险管理

4.1.1 贷前阶段

4.1.2 贷中阶段

4.1.3 贷后阶段

4.2 ABC卡简介

4.2.1 信用评分卡简介

4.2.2 ABC卡的应用

第5章 贷前信用风险预测模型（A卡）

5.1 智能信贷审批基本框架

5.1.1 申请人识别

5.1.2 信贷准入

5.1.3 申请评分卡

5.1.4 全样本建模与抽样建模

5.2 特征工程

5.2.1 数据来源

5.2.2 数据加工

5.3 模型构建与评估

5.3.1 Logistic回归模型

5.3.2 评分刻度与分值分配

5.3.3 模型评估

5.4 模型监控

5.4.1 前端监控

5.4.2 后端监控

5.5 拒绝推断

5.5.1 外部数据推断

5.5.2 模型推断

5.5.3 拒绝推断结果的验证

5.6 案例1：某消费金融公司申请评分卡构建

5.6.1 场景介绍

5.6.2 数据清洗

5.6.3 特征初筛

5.6.4 分箱与WoE编码

5.6.5 相关性分析与特征聚类

5.6.6 逐步回归

5.6.7 模型评估

5.6.8 评分卡的制作

5.6.9 模型文档

5.7 案例2：制作Vintage报告

5.7.1 Vintage相关业务报表

5.7.2 Vintage报告的制作

5.8 申请评分卡应用

5.8.1 模型及决策流

5.8.2 风险策略

5.8.3 额度策略

第6章 贷中信用风险预测模型（B卡）

6.1 行为评分卡

6.1.1 业务理解

6.1.2 数据理解

6.1.3 特征工程

6.1.4 模型构建与评估

6.2 案例：某信用卡业务行为评分卡构建

6.2.1 场景介绍

6.2.2 数据整理与特征工程

6.2.3 数据清洗与特征初筛

6.2.4 分箱与WoE编码

6.2.5 相关性筛选

6.2.6 逐步回归建模

6.2.7 模型评估

6.3 行为评分卡的应用

6.3.1 额度管理

6.3.2 续卡或续贷策略

6.3.3 客户留存分析和挽留

6.3.4 风险监控

第7章 贷后催收模型（C卡）

7.1 催收评分卡

7.1.1 业务理解

7.1.2 数据理解

7.1.3 特征工程与模型构建

7.2 催收评分卡的应用

7.2.1 预催收阶段

7.2.2 早期催收阶段

第8章 申请反欺诈模型

8.1 业务理解

8.1.1 申请欺诈产生的背景

8.1.2 申请欺诈的分类

8.1.3 申请欺诈的应对

8.2 案例：申请反欺诈模型

8.2.1 异常特征构造

8.2.2 网络特征提取

8.2.3 构建识别模型

第9章 算法工程化

9.1 构建合理的项目结构

9.1.1 为什么要构建合理的项目结构

9.1.2 什么是一个数据科学项目应有的项目结构

9.2 如何编写规范的数据工程代码

9.2.1 代码可读性

9.2.2 数据处理性能

第3篇 管理篇

第10章 数据科学项目管理

10.1 项目启动

10.1.1 识别利益相关方

10.1.2 明确项目范围

10.2 项目规划

10.2.1 优先级排序

10.2.2 项目计划

10.2.3 风险管理计划

10.2.4 沟通计划

10.3 模型迭代构建

10.3.1 模型迭代构建的生命周期

10.3.2 项目执行过程的监控、管理与调整

10.3.3 敏捷项目实践活动

10.4 项目收尾

10.5 小结

第11章 算法模型生命周期与模型管理

11.1 算法模型的生命周期

11.1.1 定义和关键阶段

11.1.2 生命周期各阶段详解

11.1.3 实际案例

11.1.4 行业见解

11.1.5 实用指南——常见问题与解答

11.1.6 小结

11.2 模型管理的重要性

11.2.1 面临的挑战

11.2.2 管理目标

11.2.3 行业趋势和未来发展

11.2.4 思考题与实践练习

11.2.5 小结

11.3 模型分级方法

11.3.1 分级的标准和方法

11.3.2 分级的实际应用

11.3.3 分级流程的最佳实践

11.3.4 思考题和实践练习

11.3.5 模型分级的未来展望

11.3.6 小结

11.4 模型管理体系结构

11.4.1 组织架构与责任

11.4.2 管理流程

11.4.3 技术架构支持

11.4.4 模型治理和合规性

11.4.5 持续改进和创新

11.4.6 技术的角色与选择

11.4.7 未来展望

11.4.8 思考题和实践练习

11.4.9 小结

11.5 模型管理的最佳实践

11.5.1 文档和知识共享

11.5.2 模型审查和质量保证

11.5.3 合规性和伦理考虑

后折页