智能风控与反欺诈：体系、算法与实践

内容介绍<br>这是一部指导信贷业务如何用智能风控、反欺诈的技术和方法实现风险控制的著作。<br>作者是经验丰富的智能风控算法专家，先后就职于头部的互联网公司的金融部门以及头部的公募基金公司，致力于人工智能算法在信贷风控领域的应用。<br>本书不仅体系化地讲解了智能风控和反欺诈的体系、算法、模型以及它们在信贷风控领域实践的全流程，而且还从业务和技术两个角度讲解了传统的金融风控体系如何与智能风控方法实现双剑合璧。全书以实战为导向，辅以多个用Python实现的综合案例，便于读者理解和实操。<br>全书共10章，逻辑上分为四个部分：<br>第1~3章是风控业务的基础，首先介绍了什么是信用风险和欺诈风险，然后讲解了传统风险管理体系中搭建评分卡的思路，以及智能风控时代数据和模型的技术框架。<br>第4~6章集中讲述了智能风控中常见的特征工程、算法原理和建模流程，包括梯度提升决策树、孤立森林、神经网络、词嵌入、图嵌入等前沿算法的数学原理和公式。<br>第7~9章是作者参与过的风控和反欺诈实战项目，通过案例和代码的形式，帮助读者更好地将风控理念和建模技术融会贯通。<br>?第10章以金融科技行业的头部玩家为例，展望了智能风控和反欺诈技术未来的商业模式和发展方向。

作者介绍<br>蔡主希<br>研究生毕业于哥伦比亚大学统计专业，资深智能风控算法专家。<br>现就职于某具有“全牌照”业务的综合性国际化资产管理集团，负责人工智能算法在金融科技领域的研究和落地。曾任两家头部互联网公司金融部门风控算法专家，以及北京大数据研究院金融研究员。<br>是国内大数据风控领域的先驱者，致力于机器学习和人工智能算法在信贷风控领域的应用，参与过上百亿信贷资产的管理，为超过30家金融机构搭建风险运营SaaS平台，主持过多家银行的本地化风控体系建设项目。

推荐序<br/>前　言<br/>第1章　互联网金融与风险管理1<br/>1.1　互联网金融的发展和现状1<br/>1.2　风险管理类型划分2<br/>1.2.1　欺诈风险4<br/>1.2.2　信用风险6<br/>1.3　风险管理的重要性10<br/>1.3.1　风险评估10<br/>1.3.2　差异化定价12<br/>1.3.3　整体利润最优13<br/>1.4　本章小结14<br/>第2章　传统风险管理体系15<br/>2.1　人工审核15<br/>2.1.1　纸质材料评估16<br/>2.1.2　电话回访16<br/>2.1.3　线下走访尽调17<br/>2.2　专家模型17<br/>2.2.1　业务规则库17<br/>2.2.2　专家调查权重法18<br/>2.2.3　熵权法19<br/>2.3　评分卡模型21<br/>2.3.1　目标定义21<br/>2.3.2　样本选取23<br/>2.3.3　变量分箱24<br/>2.3.4　变量筛选24<br/>2.3.5　模型建立29<br/>2.3.6　模型评估30<br/>2.3.7　模型应用33<br/>2.4　传统方法的问题和挑战34<br/>2.5　本章小结35<br/>第3章　智能风控模型体系36<br/>3.1　大数据平台36<br/>3.1.1　原始数据清洗37<br/>3.1.2　数据仓库管理37<br/>3.1.3　数据标签应用38<br/>3.2　决策引擎38<br/>3.2.1　规则配置39<br/>3.2.2　模型部署40<br/>3.2.3　冠军挑战者41<br/>3.2.4　版本和权限管理42<br/>3.3　智能反欺诈模型42<br/>3.3.1　无监督学习43<br/>3.3.2　图计算44<br/>3.4　智能信用风险模型45<br/>3.4.1　专家模型45<br/>3.4.2　逻辑回归46<br/>3.4.3　决策树46<br/>3.4.4　集成树47<br/>3.4.5　深度神经网络47<br/>3.4.6　循环神经网络48<br/>3.5　智能模型带来的提升48<br/>3.5.1　数据广度和深度48<br/>3.5.2　模型快速迭代和主动学习49<br/>3.5.3　线上自动决策49<br/>3.6　统计学与机器学习49<br/>3.7　本章小结50<br/>第4章　风控大数据体系51<br/>4.1　数据源类型51<br/>4.1.1　征信报告52<br/>4.1.2　消费能力54<br/>4.1.3　资产状况54<br/>4.1.4　基本信息54<br/>4.1.5　黑名单55<br/>4.1.6　多头借贷55<br/>4.1.7　运营商56<br/>4.1.8　地理位置56<br/>4.1.9　设备属性57<br/>4.1.10　操作行为57<br/>4.2　特征工程方法57<br/>4.2.1　统计量58<br/>4.2.2　离散化58<br/>4.2.3　时间周期趋势59<br/>4.2.4　交叉项59<br/>4.2.5　隐性特征60<br/>4.2.6　用户画像61<br/>4.3　数据测试与应用61<br/>4.3.1　联合建模机制61<br/>4.3.2　数据质量评估62<br/>4.3.3　线上应用63<br/>4.4　数据安全合规63<br/>4.5　本章小结64<br/>第5章　智能风控中的常用算法68<br/>5.1　有监督学习68<br/>5.1.1　逻辑回归69<br/>5.1.2　决策树70<br/>5.1.3　随机森林73<br/>5.1.4　梯度提升决策树74<br/>5.2　无监督学习76<br/>5.2.1　聚类76<br/>5.2.2　孤立森林79<br/>5.3　深度学习80<br/>5.3.1　深度神经网络80<br/>5.3.2　循环神经网络83<br/>5.3.3　词嵌入86<br/>5.3.4　自编码器88<br/>5.3.5　迁移学习89<br/>5.4　图计算91<br/>5.4.1　社区发现91<br/>5.4.2　标签传播92<br/>5.4.3　图嵌入93<br/>5.5　强化学习97<br/>5.6　本章小结99<br/>第6章　智能模型训练流程101<br/>6.1　数据清洗101<br/>6.1.1　缺失值处理102<br/>6.1.2　异常值处理103<br/>6.1.3　重复值处理105<br/>6.1.4　一致性检验105<br/>6.1.5　有效性检验106<br/>6.2　特征工程和特征筛选107<br/>6.2.1　探索性数据分析107<br/>6.2.2　稳定性108<br/>6.2.3　重要性109<br/>6.2.4　相关性110<br/>6.2.5　解释性111<br/>6.3　模型训练111<br/>6.4　模型部署114<br/>6.5　监控预警114<br/>6.6　本章小结119<br/>第7章　反欺诈案例120<br/>7.1　案例背景120<br/>7.2　原始数据介绍120<br/>7.3　探索性数据分析121<br/>7.3.1　交易笔数121<br/>7.3.2　交易时间122<br/>7.3.3　交易类型123<br/>7.3.4　交易IP地址124<br/>7.4　特征工程124<br/>7.4.1　特征加工124<br/>7.4.2　特征筛选130<br/>7.4.3　特征分组130<br/>7.5　模型训练131<br/>7.6　模型评估134<br/>7.7　案例优化136<br/>7.8　本章小结137<br/>第8章　个人信贷风控案例138<br/>8.1　案例背景138<br/>8.2　原始数据介绍139<br/>8.3　特征工程139<br/>8.4　探索性数据分析142<br/>8.5　模型训练144<br/>8.5.1　逻辑回归144<br/>8.5.2　XGBoost150<br/>8.5.3　Wide&Deep158<br/>8.6　模型评估162<br/>8.7　模型应用168<br/>8.8　案例优化169<br/>8.9　本章小结170<br/>第9章　企业信贷风控案例171<br/>9.1　银行POS贷171<br/>9.1.1　案例背景171<br/>9.1.2　原始数据介绍172<br/>9.1.3　特征工程173<br/>9.1.4　模型训练173<br/>9.1.5　模型应用176<br/>9.2　汽车金融CP评级178<br/>9.2.1　案例背景178<br/>9.2.2　原始数据&特征工程179<br/>9.2.3　模型训练179<br/>9.2.4　模型评估181<br/>9.3　案例优化182<br/>9.4　本章小结183<br/>第10章　智能风控能力对外输出184<br/>10.1　对外输出的意义184<br/>10.1.1　内部能力“走出去”185<br/>10.1.2　外部资源“引进来”185<br/>10.2　头部玩家介绍186<br/>10.2.1　互联网公司186<br/>10.2.2　银行科技子公司189<br/>10.2.3　第三方技术提供商190<br/>10.3　合作模式及案例191<br/>10.3.1　SaaS +本地化模式192<br/>10.3.2　对外输出案例193<br/>10.4　金融科技创新与监管195<br/>10.5　本章小结197