内容简介
本书基于Python讲解了信用风险管理和评分卡建模，用漫画的风格，从风险业务、统计分析方法、机器学习模型3个维度展开，详细讲解了信用风险量化相关的数据分析与建模手段，并提供大量的应用实例。作者在多加知名金融公司从事算法研究多年，经验丰富，本书得到了学术界和企业界多位金融风险管理专家的高度评价。
全书一共9章，首先介绍了信用风险量化的基础，然后依次讲解了信用评分模型开发过程中的数据处理、用户分群、变量处理、变量衍生、变量筛选、模型训练、拒绝推断、模型校准、决策应用、模型监控、模型重构与迭代、模型报告撰写等内容。
所有章节都由问题、算法、案例三部分组成，针对性和实战性都非常强。
推荐序
前言
第1章 信用管理基础 /1
1.1 信用与管理 /2
1.2 风控术语解读 /3
1.2.1 信贷基础指标 /4
1.2.2 信贷风险指标 /5
1.3 企业信贷风控架构 /7
1.4 本章小结 /10
第2章 评分卡 /11
2.1 评分卡概念 /12
2.1.1 适用客群 /13
2.1.2 用途 /14
2.2 建模流程 /15
2.3 模型设计 /16
2.3.1 业务问题转化 /17
2.3.2 账龄分析与时间窗口设计 /17
2.3.3 数据集切分 /19
2.3.4 样本选择 /20
2.3.5 采样与加权 /21
2.4 数据与变量解读 /25
2.5 本章小结 /26
第3章 机器学习 /27
3.1 基本概念 /28
3.1.1 空间表征 /29
3.1.2 模型学习 /31
3.1.3 模型评价 /32
3.2 广义线性模型 /33
3.2.1 多元线性回归模型 /34
3.2.2 经验风险与结构风险 /35
3.2.3 极大似然估计 /38
3.3 逻辑回归 /39
3.3.1 sigmoid函数 /40
3.3.2 最大似然估计 /41
3.3.3 多项逻辑回归学习 /41
3.3.4 标准化 /42
3.4 性能度量 /44
3.4.1 误差 /45
3.4.2 混淆矩阵与衍生指标 /45
3.4.3 不均衡模型评价 /48
3.4.4 业务评价 /52
3.5 上线部署与监控 /55
3.5.1 上线部署 /55
3.5.2 前端监控 /57
3.5.3 后端监控 /59
3.6 迭代与重构 /61
3.6.1 模型迭代 /61
3.6.2 模型重构 /62
3.7 辅助模型 /62
3.7.1 XGBoost /63
3.7.2 模型解释性 /74
3.7.3 因子分解机 /81
3.8 模型合并 /82
3.9 本章小结 /86
第4章 用户分群 /87
4.1 辛普森悖论 /88
4.2 监督分群 /90
4.2.1 决策树原理 /90
4.2.2 决策树分群 /92
4.2.3 生成拒绝规则 /95
4.3 无监督分群 /105
4.3.1 GMM原理 /106
4.3.2 GMM分群 /107
4.4 用户画像与聚类分析 /108
4.4.1 数据分布可视化 /109
4.4.2 K均值聚类 /110
4.4.3 均值漂移聚类 /111
4.4.4 层次聚类 /113
4.4.5 tSNE聚类 /114
4.4.6 DBSCAN聚类 /115
4.4.7 方差分析 /117
4.5 本章小结 /119
第5章 数据探索与特征工程 /120
5.1 探索性数据分析 /121
5.1.1 连续型变量 /122
5.1.2 离散型变量 /123
5.1.3 代码实现 /123
5.2 特征生成 /126
5.2.1 特征聚合 /127
5.2.2 特征组合 /145
5.3 特征变换 /147
5.3.1 卡方分箱 /148
5.3.2 聚类分箱 /150
5.3.3 分箱对比 /151
5.3.4 箱的调整 /154
5.3.5 两种特殊的调整方法 /156
5.3.6 WOE映射 /158
5.4 本章小结 /158
第6章 特征筛选与建模 /159
6.1 初步筛选 /160
6.1.1 缺失率 /160
6.1.2 信息量 /161
6.1.3 相关性 /162
6.1.4 代码实现 /163
6.2 逐步回归 /164
6.2.1 F检验 /165
6.2.2 常见逐步回归策略 /165
6.2.3 检验标准 /166
6.2.4 代码实现 /167
6.3 稳定性 /167
6.4 负样本分布图 /169
6.5 评分卡案例 /171
6.6 本章小结 /189
第7章 拒绝推断 /190
7.1 偏差产生的原因 /191
7.2 数据验证 /193
7.3 标签分裂 /193
7.4 数据推断 /195
7.4.1 硬截断法 /195
7.4.2 模糊展开法 /198
7.4.3 重新加权法 /199
7.4.4 外推法 /200
7.4.5 迭代再分类法 /202
7.5 本章小结 /204
第8章 模型校准与决策 /205
8.1 模型校准的意义 /206
8.2 校准方法 /207
8.2.1 通用校准 /208
8.2.2 多模型校准 /210
8.2.3 错误分配 /214
8.2.4 权重还原 /215
8.3 决策与应用 /215
8.3.1 最优评分切分 /216
8.3.2 交换集分析 /216
8.3.3 人工干预 /218
8.4 本章小结 /219
第9章 模型文档 /220
9.1 模型背景 /221
9.2 模型设计 /222
9.2.1 模型样本 /222
9.2.2 坏客户定义 /222
9.3 数据准备 /223
9.3.1 数据提取 /223
9.3.2 历史趋势聚合 /224
9.3.3 缺失值与极值处理 /224
9.3.4 WOE处理 /225
9.4 变量筛选 /225
9.4.1 根据IV值进行初筛 /226
9.4.2 逐步回归分析 /226
9.4.3 模型调优 /226
9.5 最终模型 /227
9.5.1 模型变量 /227
9.5.2 模型表现 /228
9.5.3 模型分制转换 /228
9.6 表现追踪 /228
9.7 附件 /229
9.8 本章小结 /231
书单推荐
