大数据智能风控：业务解析、核心算法与前沿技术

内容介绍 这是一本从业务和技术双重视角解读数智化风控的著作，是企业界和学术界强强合作的重要成果。 本书贯穿风控全链路，深度剖析了各业务环节所面对的核心风险，以及基于数据资源和智能技术来管控多重风险的解决方案。除了介绍通常关注的贷前、贷中、贷后风险管理，本书还讨论了反欺诈、反洗钱、特殊名单管理、多头风险管控等其他类型风险的应对方案，以及基于联邦学习的数据孤岛打通、基于关系网络的数据挖掘与风险建模等前沿方案。 与同类书相比，本书以更完整的体系涵盖了营销、准入、授信、定价、定额、监控、处置等各个环节，以更开阔的视野涉及了信用、欺诈、洗钱等各类风险，以更丰富的维度拆解了核心业务的场景、问题、数据、技术和解决方案，既是对一线技术与业务实践经验的总结，也是对当下解决方案发展趋势的概括。

作者简介 黄志翔 京东科技风险管理中心副总经理、智能模型部负责人、京东科技技术委员会委员、中国人民大学“营销管理-数据科学”实验班企业家导师。致力于将大数据与人工智能技术应用于风控，助力普惠金融的发展，获得国家发明专利20余项，发表学术论文10余篇，带领团队构建开源项目UTBoost，多次获得京东科技集团技术之星等科技创新类奖项。 杨恺 京东科技风控模型高级经理、京东博士管培生、中国科学院大学通信与信息系统博士，现负责京东小微与供应链金融产品的智能风控模型体系建设。研究兴趣广泛，曾在边缘人工智能、联邦学习、因果推断等技术领域提出领先算法，在国际顶级期刊和会议上发表论文20余篇。 郑邦祺 京东科技高级经理，先后负责了京东金条、白条等多个产品的精准营销、信用风控和反欺诈等相关场景的模型体系建设，涵盖产品全链路，从获客、贷前审批、贷中管理到贷后运营，以及反欺诈、反洗钱等环节。擅长深度学习、复杂网络、异常检测等多种机器学习方法，热衷于数据挖掘以及算法的跨领域优化实践。 周凡吟 西南财经大学统计学院教授、博士生导师、应用统计硕士教育中心执行主任、四川省高层次人才、四川省学术与技术带头人后备人选，先后毕业于英国曼彻斯特大学、剑桥大学、帝国理工学院，曾任职美国花旗银行伦敦总部量化交易分析部门。主要研究领域包括信用风险评估、企业生存风险分析、复杂网络数据挖掘等，主持主研国家级基金项目6项，在国际顶级刊物上发表论文10余篇，长期致力于促进学术与产业的有效融合，深度参与了多个普惠金融、金融监管、数字政府的政产学研项目，沉淀出关键技术成果与专利50余项。 李可 西南财经大学统计学院副教授、博士生导师、数据科学系主任、四川省高层次人才，曾任职美国谷歌公司和瑞士诺华集团，主要从事数据科学、人工智能、金融科技、精准医学、粮食安全、能源经济、环境政策等交叉领域的研究与教学工作，致力于推动政产学研深度融合、联合培养数智化人才，形成了国家级一流课程、四川省高阶课程、四川省一流课程等成果。

目　　录?Contents 推荐序 前言 第一篇　开篇 第1章　信贷风控概述　3 1.1　信贷风控的起源与发展　3 1.2　大数据带来的变化　7 1.3　智能信贷的发展方向　10 第二篇　获客 第2章　客群划分　15 2.1　客群划分简介　15 2.1.1　客群划分的含义及意义　15 2.1.2　传统客群划分方法　16 2.1.3　信贷客群划分的挑战　17 2.2　基于大数据的客群划分　18 2.2.1　画像标签体系　18 2.2.2　构建画像的关键步骤　19 2.3　客群划分案例　21 2.3.1　“新中产”客群划分　21 2.3.2　母婴客群划分及潜在客群 识别　24 第3章　信贷产品获客　28 3.1　获客与广告　28 3.1.1　在线广告　29 3.1.2　在线广告的博弈关系和 协调机制　31 3.1.3　在线广告的实时竞价 机制　34 3.2　金融信贷产品获客　35 3.3　基于联邦学习和多任务学习的 建模方法　37 3.3.1　联邦学习模型打破数据 壁垒　37 3.3.2　多任务学习模型充分利用 全链路信息　38 第三篇　授信 第4章　信贷评分卡工具　43 4.1　信贷风控决策链路　43 4.1.1　风控决策链路与数字化 工具　43 4.1.2　信贷评分卡及其关注点　45 4.2　信贷评分卡的开发和应用　45 4.2.1　模型设计　46 4.2.2　模型训练　54 4.2.3　分数校准　60 4.2.4　模型评估　61 4.2.5　模型监控　65 第5章　申请评分体系　67 5.1　贷前风控与申请评分卡　67 5.1.1　贷前风控场景　67 5.1.2　申请评分卡　68 5.2　智能申请评分卡体系　69 5.2.1　整合客户全域信息　69 5.2.2　增强实时信息利用　70 5.2.3　挖掘多模态数据　71 5.2.4　申请评分体系的监控　71 5.2.5　模型稳定性问题和应对 措施　72 5.3　特殊场景：面向小微企业 信贷的申请评分卡　75 5.3.1　小微企业的定义　76 5.3.2　小微企业风险评估的难点　77 5.3.3　解决思路：基于多源数据的 小微企业评分卡开发　78 第6章　定价与定额　81 6.1　信贷产品的定价与定额　81 6.1.1　信贷产品风险定价简介　81 6.1.2　信贷产品风险定价具体 模式　83 6.1.3　信贷产品风险定额简介　85 6.2　基于最优决策的定价与定额　86 6.2.1　最优决策模型　86 6.2.2　模型的数学表达　87 6.2.3　模型训练与预测　90 6.2.4　样本偏差问题　92 6.2.5　有条件约束时的最优决策　93 6.3　最优决策模型的效果评估　96 6.3.1　评估的难点　96 6.3.2　离线评估方法　98 6.3.3　线上实验设计　99 第四篇　贷中管理 第7章　贷中评分体系　105 7.1　贷中管理简介　105 7.1.1　贷中场景与业务　105 7.1.2　贷中精细化管理　107 7.2　贷中管理模型体系　108 7.2.1　风险管理模型　108 7.2.2　额度管理模型　111 7.2.3　特殊场景模型　112 7.2.4　模型评估体系　112 7.3　分客群贷中管理　114 第五篇　贷后管理 第8章　贷后评分体系　119 8.1　贷后管理简介　119 8.1.1　贷后场景与业务　119 8.1.2　贷后分期和协商　121 8.1.3　贷后评分卡体系　122 8.2　滚动预测评分卡　123 8.2.1　传统滚动预测评分卡　123 8.2.2　跨期滚动预测评分卡　125 8.2.3　跨期滚动预测评分卡 运营　129 8.3　多模态数据融合技术赋能贷后 评分　130 8.3.1　贷后语音文本数据的记录 和挖掘　131 8.3.2　语音文本多模态数据的 应用　132 8.3.3　语音文本多模态模型应用 场景　134 第9章　贷后运营体系　136 9.1　贷后运营业务场景　136 9.1.1　贷后运营的主要目标　136 9.1.2　贷后运营的业务流程　137 9.1.3　贷后运营的重要指标　138 9.1.4　贷后运营的主要挑战　139 9.2　贷后智能化运营体系　139 9.2.1　贷后智能化运营体系 简介　140 9.2.2　智能分案　141 9.2.3　智能作业　143 9.3　贷后智能化运营的工程 实现　145 9.3.1　贷后运营调度系统简介　145 9.3.2　贷后运营调度系统设计　146 第10章　不良资产定价　149 10.1　不良资产发行与交易　149 10.1.1　不良资产市场现状　149 10.1.2　不良资产证券化发行　151 10.1.3　不良资产转让与收购　151 10.1.4　不良资产定价　152 10.2　数据驱动的不良资产定价 方法　153 10.2.1　静态池与资产池的数据 准备　153 10.2.2　基于客户分群的不良资产 定价方法　155 10.2.3　基于债项的不良资产定价 方法　156 第六篇　其他典型风险的防控 第11章　反欺诈　161 11.1　欺诈与反欺诈　161 11.1.1　互联网欺诈的特性　161 11.1.2　黑色产业链　162 11.1.3　常见欺诈场景　165 11.2　反欺诈体系　165 11.2.1　在线反欺诈体系的 构成　166 11.2.2　风险行为的全面感知　168 11.2.3　风险交易的准确识别　169 11.2.4　反欺诈体系的常用 算法　170 11.3　营销场景反欺诈案例　174 11.3.1　事前风险感知　174 11.3.2　事中交易止损　175 11.3.3　事后案件分析　175 第12章　反洗钱　177 12.1　洗钱与反洗钱　177 12.1.1　国内外反洗钱形势　178 12.1.2　互联网金融反洗钱　179 12.2　反洗钱风险防控体系　180 12.2.1　反洗钱风险防控体系 简介　180 12.2.2　洗钱风险监控方法　183 12.3　基于交易网络的洗钱风险 识别　188 12.3.1　同构图下的洗钱关键 节点发现　188 12.3.2　同构图下的洗钱风险 社群发现　189 12.3.3　异构图下的洗钱风险 社群发现　190 第13章　特殊名单　193 13.1　特殊名单简介　193 13.2　特殊名单管理　196 13.3　基于特殊名单的标签扩散 建模　196 第14章　多头借贷防控　199 14.1　多头借贷风险　199 14.2　多头借贷防控基础　201 14.2.1　联防联控与数据共享　201 14.2.2　个人征信系统　202 14.2.3　其他数据渠道　202 14.3　基于大数据的多头借贷全流程 防控　203 14.3.1　防控措施　203 14.3.2　多头借贷防控的规则和 模型　206 第七篇　风控新技术 第15章　联邦学习　213 15.1　联邦学习简介　213 15.1.1　联合建模的数据困境　213 15.1.2　破局之钥：联邦学习　215 15.1.3　多方安全计算、分布式 机器学习与联邦学习的 比较　217 15.1.4　隐私安全技术　218 15.2　纵向联邦学习　219 15.2.1　纵向联邦学习基本 内容　220 15.2.2　纵向联邦学习模型　222 15.2.3　案例：个人小额贷款 风险建模　226 15.3　横向联邦学习　227 15.3.1　横向联邦学习基本 内容　227 15.3.2　横向联邦学习算法　229 15.3.3　案例：反欺诈建模　230 15.4　联邦迁移学习　231 第16章　关系网络　233 16.1　关系网络简介　233 16.2　图存储和图计算　235 16.2.1　图的存储方式　235 16.2.2　图的切分方式　237 16.2.3　图计算系统　238 16.3　图算法　239 16.3.1　图传播算法　239 16.3.2　图嵌入算法　240 16.3.3　图神经网络算法　241 16.4　基于关系网络的风险建模　243 16.4.1　基于关系网络的用户信用 风险评估模型构建　243 16.4.2　基于关系网络的反欺诈 模型构建　244