python 金融大数据风控建模实战--基于机器学习

王青天 孔越编著， 2020年6月第一版

第一章介绍，介绍金融科技fintech是指使用技术提供财务解决方案。人工智能和机器学习技术可以帮助包括欺诈预防、风险管理、客户服务和营销等多个环节的智能化。个人借贷交易的不同阶段涉及线上借贷行业的9种风险：信用检查不足、中介不充分、还款不及时、流动性不足、缺乏透明度、运营和技术失败、法律风险、过度杠杆和道德缺失，其中信用检查不足风险是最需要控制的风险。

个人信贷中信用风险评估的关键是，通过分析借贷人的信用信息，评估借款人的偿还能力和意愿量化违约风险。信用评分卡模型是个人信贷风险管理中的重要手段。评分卡模型过包括申请评分卡、行为评分卡、催收评分卡，除此之外还有反欺诈模型（无征信前、申请数据、第三方数据）、营销评分卡和客户流失卡等。欺诈行为氛围个人欺诈和团伙欺诈，个人欺诈往往形式各异难以形成普适的规则，只能通过不断积累和总结规则库来进行甄别；对于团伙欺诈啊，需要借助知识图谱技术发现欺诈团伙潜在的关系网，找到异常状态进行甄别。因此，反欺诈模型一般采用基于规则与策略的方法。

接下来讲了评分卡模型的开发流程。

第二章，机器学习介绍

机器学习分为有监督学习、无监督学习和强化学习。

有监督学习分为分类问题（离散）和回归（连续）问题。常见算法有线性回归模型、神经网络模型、支持向量机模型、决策树模型、随机森林、Xgboost模型和深度学习模型等。评分卡模型的开发就是有监督学习，而且是分类问题。

无监督学习的任务一般为聚类分析、降维、关联规则分析。常见聚类：Kmeans、混合高斯模型、DBCAN和AP算法等。线性降维方法：PCA，SVD分解；非线性：KPCA。关联规则分析：Apriori和FP-growth，可以通过关联分析挖掘欺诈数据的特征集，形成反欺诈规则。

强化学习又称增强学习（Reinforcement Learning），是一种特定场景下通过不断试错的方式进行自我更新并学习的方法。