《智能风控：原理、算法与工程实践》内容简介

本书以Python作为实现智能风险管理的编程语言，而我个人也十分推崇运用Python分析金融、管控风险。我想借此机会，回答一下被众多金融从业者问及的一个普遍性问题：“为什么金融领域如此偏爱Python？”我的回答包括以下三点：第一，Python是开放的（Python is open）。Python不仅免费而且还是开源的，同样金融也是海纳百川、兼收并蓄的，Python与金融的“碰撞”必将创造出一个更加开放与包容的金融科技世界。第二，Python是强大的（Python is powerful）。Python拥有大量第三方模块和工具包，便于开展各类科学数据分析与可视化工作，即使在机器学习、深度学习等前沿的人工智能领域，Python的工具包也发挥着不可替代的作用。而如今在整个金融行业数字化、智能化转型的关键阶段，强大的Python将助力金融业的转型。第三，Python是简洁的（Python is simple）。Python的语法结构与代码的简洁性，使得无论是缺乏计算机编程经验的新手，还是熟练驾驭C++、Java、R等语言的编程老手，对Python都比较容易上手。而简洁性这一点也恰恰是当前金融业不断追求的，自从2008年全球金融危机以来，金融领域的一个典型特征就是金融产品的交易结构和规则日趋简洁。
梅子行，资深风控技术专家、AI技术专家和算法专家，现就职于满帮科技，负责机器学习在风控领域的算法优化。历任多家知名金融科技公司的风控算法研究员、数据挖掘工程师。

作品目录

推荐序
前言
第1章：风控建模与规则挖掘
1.1、信贷与风险
1.1.1、信贷业务与互联网金融风控体系
1.1.2、信贷风险与控制
1.2、工业建模流程
1.2.1、抽象业务
1.2.2、定义标签
1.2.3、样本选取
1.2.4、特征工程与模型调优
1.2.5、上线监控与评估报表
1.3、规则挖掘方案
1.4、本章小结
第2章：集成模型评分卡
2.1、特征工程解析
2.1.1、特征与模型
2.1.2、信用模型的特征
2.2、特征衍生方案
2.3、离散处理
2.3.1、one-hot编码
2.3.2、WOE编码
2.4、迭代特征筛选方案
2.5、自动化调参
2.5.1、自动化调参策略
2.5.2、参数搜索方案
2.5.3、调参框架搭建
2.6、递归特征删除方案
2.7、评分卡制作
2.7.1、逻辑回归评分卡
2.7.2、集成模型的评分映射
2.7.3、针对业务改写评价函数
2.8、本章小结
第3章：迁移学习与冷启动
3.1、迁移学习基础
3.1.1、应用场景
3.1.2、概念介绍
3.2、迁移学习方法论
3.2.1、三类常见算法
3.2.2、迁移的实现方法
3.3、少量有标签样本的迁移方案
3.3.1、TrAdaBoost模型
3.3.2、跨场景迁移模型
3.4、无标签样本迁移之JDA
3.4.1、JDA模型
3.4.2、模型应用
3.5、无标签样本迁移之DTELM
3.5.1、ELM模型
3.5.2、DTELM模型
3.5.3、模型应用
3.6、迁移样本筛选方案
3.6.1、背景介绍
3.6.2、算法框架概览
3.6.3、搭建融合框架
3.7、本章小结
第4章：幸存者偏差
4.1、幸存者偏差的含义
4.2、增量学习
4.3、生成对抗网络
4.3.1、GAN模型介绍
4.3.2、GAN与幸存者偏差
4.4、高斯混合模型
4.4.1、GMM算法原理
4.4.2、GMM简单应用
4.4.3、GMM中的概率模型
4.4.4、GMM样本生成
4.5、信息准则
4.5.1、赤池信息准则
4.5.2、贝叶斯信息准则
4.5.3、AIC与BIC比较
4.6、本章小结
第5章：不均衡学习
5.1、样本不均衡
5.2、代价敏感加权方案
5.3、插值过采样方案
5.3.1、SMOTE算法
5.3.2、过采样算法实践
5.4、半监督学习方案
5.4.1、前提假设
5.4.2、S3VM
5.4.3、LP
5.5、本章小结
第6章：异常检测
6.1、离群点与欺诈检测
6.2、z-score检验
6.3、LOF异常检测法
6.3.1、原理与算法流程
6.3.2、LOF样本清洗方案
6.4、IF异常检测法
6.4.1、原理与算法流程
6.4.2、PreA模型与冷启动
6.5、本章小结
第7章：模型优化
7.1、多损失函数分段预测
7.1.1、两种损失函数
7.1.2、融合流程
7.2、树模型特征衍生
7.2.1、GBDT离散化
7.2.2、融合方案详解
7.2.3、特征衍生细节
7.2.4、案例
7.3、时间序列建模
7.3.1、RNN
7.3.2、LSTM
7.3.3、门控结构
7.3.4、LSTM行为评分卡案例
7.4、高维稀疏数据建模
7.4.1、算法原理
7.4.2、算法应用
7.5、模型融合
7.5.1、模型融合基础
7.5.2、模型筛选
7.5.3、业务应用方案
7.6、本章小结
第8章：知识图谱
8.1、复杂网络基础
8.2、中心度与相似性
8.3、节点分类
8.3.1、朴素节点分类
8.3.2、邻节点加权投票
8.3.3、一致性标签传播
8.4、社区发现算法
8.4.1、基础概念
8.4.2、Girvan-Newman算法
8.4.3、Louvain算法
8.4.4、社区评估
8.5、网络表示学习
8.5.1、矩阵分解
8.5.2、节点嵌入
8.6、图卷积神经网络
8.6.1、卷积神经网络
8.6.2、傅里叶变换
8.6.3、拉普拉斯算子
8.6.4、GCN中的图卷积
8.7、本章小结
参考文献