音像智能风控:评分卡建模原理、方法与风控策略构建张伟

赞誉<br/>序1<br/>序2<br/>序3<br/>前言<br/>章　评分卡建模理论基础 1<br/>1.1　评分卡建模常见面试问题 1<br/>1.2　关于模型的系统理解 2<br/>1.3　与建模密切相关的4个领域 3<br/>1.3.1　机器学习 3<br/>1.3.2　数据挖掘 4<br/>1.3.3　数据分析 4<br/>1.3.4　统计分析 5<br/>1.3.5　四者之间的联系与区别 5<br/>1.4　评分模型与评分卡模型 6<br/>1.4.1　评分模型和评分卡模型的定义 6<br/>1.4.2　评分卡模型的分类 6<br/>1.4.3　评分卡模型的适用 7<br/>1.4.4　评分卡模型的价值 8<br/>1.4.5　评分卡模型的应用 9<br/>1.5　评分卡建模全流程 9<br/>1.6　对评分卡模型的评价 10<br/>1.7　本章小结 11<br/>第2章　信贷业务基础和风险管理 12<br/>2.1　银行信贷产品的产品特征和业务流程 12<br/>2.1.1　个人贷款 13<br/>2.1.2　 17<br/>2.2　信用与信用风险 21<br/>2.2.1　信用风险识别 22<br/>2.2.2　信用风险评估 <br/>2..　信用风险监测 24<br/>2.2.4　信用风险控制 24<br/>2.2.5　征信 25<br/>.　欺诈与欺诈风险 26<br/>..1　欺诈风险的分类 27<br/>..2　欺诈风险的防范 27<br/>..　欺诈风险与信用风险比较 27<br/>2.4　本章小结 28<br/>第3章　业务需求理解 29<br/>3.1　业务需求理解概述 29<br/>3.2　明确拟解决问题和分析目标 29<br/>3.3　业务访谈的设计和实施 30<br/>3.4　整体分析方案设计 31<br/>3.5　本章小结 32<br/>第4章　数据基础决定模型效果上限 33<br/>4.1　关于数据的系统认识 33<br/>4.1.1　数据基本特征 33<br/>4.1.2　常见数据问题 36<br/>4.2　传统信贷业务数据 37<br/>4.2.1　贷款可用数据 38<br/>4.2.2　可用数据 38<br/>4.3　征信数据 39<br/>4.3.1　征信数据概述 39<br/>4.3.2　一代人行征信 40<br/>4.3.3　二代人行征信 41<br/>4.3.4　一、二代人行征信的差异及映转换 42<br/>4.3.5　人行征信数据的使用 43<br/>4.4　内外部大数据 44<br/>4.4.1　大数据概述 44<br/>4.4.2　银行内部大数据 45<br/>4.4.3　银行外部大数据 45<br/>4.5　数据质量诊断 46<br/>4.5.1　数据质量诊断目的 46<br/>4.5.2　数据质量诊断方法 47<br/>4.6　业务数据分析 48<br/>4.6.1　业务数据分析目的 48<br/>4.6.2　业务数据分析方法 49<br/>4.7　本章小结 49<br/>第5章　利用特征工程提取有效的风险特征 50<br/>5.1　特征工程概述 50<br/>5.1.1　特征与特征工程 50<br/>5.1.2　数据处理与特征工程流程 51<br/>5.1.3　特征工程的理论体系 51<br/>5.1.4　特征工程的抽象范式 52<br/>5.2　特征预处理与转换 53<br/>5.2.1　常见数据质量问题 53<br/>5.2.2　特征清洗与预处理 53<br/>5..　征编 54<br/>5.2.4　特征转换 55<br/>5.3　特征提取与生成 56<br/>5.3.1　业务专家经验定义 56<br/>5.3.2　工程化自动化衍生 56<br/>5.3.3　表征学习 58<br/>5.4　征评、选择与降维 62<br/>5.4.1　征评 62<br/>5.4.2　特征选择与降维 63<br/>5.5　自动化特征工程技术与工具 65<br/>5.5.1　自动化特征工程概述 65<br/>5.5.2　自动化特征工程工具 66<br/>5.6　本章小结 74<br/>第6章　评分卡模型设计 75<br/>6.1　模型设计概述 75<br/>6.1.1　模型设计的定义 75<br/>6.1.2　模型设计的工作内容 76<br/>6.2　排除规则与样本范围 76<br/>6.2.1　排除规则和样本范围的定义 76<br/>6.2.2　申请评分卡模型排除规则 77<br/>6..　行为评分卡模型排除规则 77<br/>6.2.4　催收评分卡模型排除规则 78<br/>6.3　模型细分 79<br/>6.4　表现期定义与Vintage分析 80<br/>6.4.1　表现期定义 80<br/>6.4.2　Vintage分析 80<br/>6.5　滚动率 83<br/>6.5.1　滚动率定义 83<br/>6.5.2　滚动率分析 84<br/>6.5.3　滚动率计算常见问题 84<br/>6.6　观察期的定义与选择 85<br/>6.6.1　观察期的定义 85<br/>6.6.2　观察期的选择 85<br/>6.7　模型设计汇总 86<br/>6.7.1　汇总定义 87<br/>6.7.2　汇总的特别说明 87<br/>6.8　建模方式和模型原型选择 87<br/>6.9　本章小结 88<br/>第7章　评分卡模型开发 89<br/>7.1　模型开发概述 89<br/>7.2　样本分区 90<br/>7.3　样本抽样 91<br/>7.4　变量预筛选 93<br/>7.5　变量分箱 94<br/>7.6　变量再筛选 96<br/>7.7　变量转换WOE 97<br/>7.8　使用逻辑回归进行模型拟合 97<br/>7.8.1　多重共线检验 97<br/>7.8.2　逻辑回归建模 98<br/>7.8.3　模型训练结果 100<br/>7.9　模型验 101<br/>7.9.1　排序 101<br/>7.9.2　区分能力 101<br/>7.9.3　稳定 103<br/>7.9.4　分值集中度 103<br/>7.9.5　分值分布 104<br/>7.9.6　离散度 104<br/>7.10　评分标尺 105<br/>7.11　模型导出PMML并测试 107<br/>7.12　评分卡建模专用Python包 108<br/>7.12.1　scorecardpy工具包 108<br/>7.12.2　toad工具包 108<br/>7.1.　RiskModeler工具包 109<br/>7.13　评分卡建模实例 109<br/>7.13.1　使用scorecardpy进行评分卡建模 109<br/>7.13.2　使用toad进行评分卡建模 113<br/>7.14　评分卡建模常见问题 119<br/>7.15　本章小结 122<br/>第8章　评分卡模型验 1<br/>8.1　模型验概述 1<br/>8.1.1　模型能的影响因素 1<br/>8.1.2　模型质量的评价 124<br/>8.1.3　模型验的目的 125<br/>8.2　模型能的技术评指标 125<br/>8.2.1　分类模型 125<br/>8.2.2　回归模型 133<br/>8.3　模型验方法 133<br/>8.4　模型全面独立验体系 134<br/>8.4.1　模型全面独立验与开发期验 135<br/>8.4.2　模型全面独立验的内容和范围 135<br/>8.4.3　模型全面独立验的阶段划分 135<br/>8.5　本章小结 136<br/>第章　分卡模型部署 137<br/>9.1　模型部署概述 137<br/>9.2　模型部署工作流程 139<br/>9.3　规则化部署方案 141<br/>9.3.1　在信贷业务系统流程中硬编码 141<br/>9.3.2　在独立通用决策引擎系统中部署 141<br/>9.4　标准化部署方案 142<br/>9.4.1　模型描述标准 142<br/>9.4.2　导出模型文件 144<br/>9.4.3　模型文件的解释执行 146<br/>9.5　模型部署常见问题 148<br/>9.6　本章小结 148<br/>0章　评分卡模型监控 149<br/>10.1　模型监控概述 149<br/>10.2　前端监控 150<br/>10.2.1　总体评分分布 150<br/>10.2.2　总体评分分布稳定 151<br/>10..　总体平均分及偏移 151<br/>10.2.4　总体分值集中度 152<br/>10.2.5　变量取值分布 152<br/>10.2.6　变量取值分布稳定 153<br/>10.2.7　变量加权平均分和偏移 153<br/>10.3　后端监控 154<br/>10.3.1　总体评分风险表现 154<br/>10.3.2　总体评分区分能力指标 155<br/>10.3.3　总体评分排序 155<br/>10.3.4　变量风险表现 156<br/>10.3.5　变量区分能力指标 156<br/>10.4　监控数据和特征 156<br/>10.5　监控服务运行 157<br/>10.6　本章小结 158<br/>1章　评分卡模型优化 159<br/>11.1　模型优化概述 159<br/>11.2　模型优化的触发条件 159<br/>11.3　模型能下降原因 160<br/>11.4　判断需要优化 160<br/>11.5　确定模型优化方案 161<br/>11.6　优化调整对现有决策的影响 161<br/>11.7　对基于评分的决策进行调整 161<br/>11.8　本章小结 162<br/>2章　评分卡模型的拒绝推断 163<br/>12.1　什么是拒绝推断 163<br/>12.1.1　拒绝推断的过程 163<br/>12.1.2　拒绝推断的合理设 164<br/>12.1.3　拒绝推断的本质 165<br/>12.2　为什么要做拒绝推断 165<br/>1.　如何做拒绝推断 166<br/>1..1　Fuzzy扩展法 166<br/>1..2　简单扩展法 166<br/>1..　分段扩展法 167<br/>1..4　拒绝推断的方法 168<br/>12.4　拒绝推断应注意的问题 169<br/>12.5　本章小结 170<br/>3章　评分卡模型的可解释 171<br/>13.1　模型可解释 171<br/>13.1.1　什么是模型可解释 171<br/>13.1.2　为什么模型需要可解释 172<br/>13.1.3　模型可解释分类 173<br/>13.1.4　模型可解释算法 174<br/>13.2　评分卡模型可解释 184<br/>13.2.1　全局可解释 185<br/>13.2.2　局部可解释 186<br/>13..　业务特殊考虑 188<br/>13.2.4　基于PMML Scorecard的可解释 188<br/>13.3　本章小结 190<br/>4章　评分卡模型的常见问题 191<br/>14.1　分值分布不均衡问题 191<br/>14.2　特定群体或局部分数段区分能力弱问题 192<br/>14.3　训练-测试-时间外评分分布差异 192<br/>14.4　训练-测试-时间外评分能差异 193<br/>14.5　模型迭代漂移现象 195<br/>14.6　潜在建模作弊问题 195<br/>14.7　本章小结 195<br/>5章　从传统评分卡模型到高维机器学习模型 196<br/>15.1　传统评分卡模型和高维机器学习模型的结合 196<br/>15.1.1　技术和业务发展背景 196<br/>15.1.2　摒弃两种观点 197<br/>15.1.3　传统评分卡模型与高维机器学习模型的比较 198<br/>15.1.4　两种工具结合使用 199<br/>15.2　高维机器学习模型XGBoost 200<br/>15.2.1　XGBoost算法原理 200<br/>15.2.2　XGBoost包简介 202<br/>15..　使用XGBoost包建立预测模型 205<br/>15.3　高维机器学习模型LightGBM 205<br/>15.3.1　LightGBM算法原理 206<br/>15.3.2　LightGBM包简介 206<br/>15.3.3　使用LightGBM包建立预测模型 209<br/>15.4　本章小结 211<br/>6章　基于评分的风控策略应用 212<br/>16.1　模型、规则、策略、政策 212<br/>16.2　基于评分的贷前自动化审批策略 213<br/>16.2.1　贷前审批环节需要解决的问题 213<br/>16.2.2　线上信贷业务流程和风控流程 213<br/>16..　基于评分构建贷前审批策略 215<br/>16.2.4　贷前审批策略经济效益测算 217<br/>16.3　智能风控领域的更多策略 218<br/>16.4　本章小结 218

张伟（笔名：上善若愚） 金融科技公司技术合伙人、高级风控总监及解决方案专家，前FICO风险评分建模与风控业务策略专家。 在金融风险管理和智能风控领域有近15年工作经验，擅长业务策略、量化建模、解决方案、风控体系建设，专注于商业银行、消费金融和金融科技行业，在智能风控策略模型数据决策体系建设、风险业务架构和技术架构、信用风险业务策略与量化模型、信贷资产组合管理、金融资产定价与风险管理、业务安全技术、巴塞尔新资本协议等方面积累了丰富的工作经验。 曾作为技术专家或行业专家多次受邀出席上海市组织的行业产业联盟研讨调研座谈，多次受邀出席金融科技领域行业论坛并做主题演讲或圆桌讨论，多次接受主流金融科技媒体和财经媒体采访，并受聘为上海交通大学上海高金金融研究院研究员和华东理工大学商学院职业导师。

（1）作者经验丰富：智能风控领域深耕十余年，既熟悉商业银行传统风控体系思想、方法、技术、工具，又熟悉人工智能背景下创新智能风控相关解决方案、风险策略和风险建模技术。（2）内容系统扎实：全面系统讲解评分建模的理论知识、业务基础、建模全流程、Z新建模技术和风控策略构建。（3）行业一致：来自上海交通大学、乐信、西南财经大学、蚂蚁集团、360金融、eBay等学界和业界的近二十位风控专家高口碑。（4）大量实战代码：结合实际生产环境，给出了大量Python代码，便于读者理解且可直接使用，实操强。（5）新视角、新观点、新思考：在部分技术点上提出了作者的新看法和新观点，特别 是对模型的系统思考、对拒绝推断的理解、对业务需求的理解等。 （6）融入Z新建模技术：评分卡建模是相对传统的建模技术，作者特地介绍了特征工程、模型可解释、维机器学习等Z新智能化建模技术。