金融信贷风控的机器学习实战课程介绍:
机器学习技术在信贷风控领域远不如广告推荐、语音图像、自然语言等领域成熟,成长期大概在5-6年,还有非常多的机器学习的点值得探索。本课程大量介绍数据分析技术如何在互联网金融行业风控部门涉及到的信贷违约预测和催收还款预测.在引入新技术同时需要参考应用场景,比如新技术在广告领域 auc 达到了0.99等,但是在风控领域其实不然。所以需要充分考虑风控领域的特性,将机器学习的优势迁移过来。课程中机器学习技术在信贷风控领域还有广阔的发展空间和前景。
课程目录:
第一课:互联网金融业申请评分卡的介绍
1. 信贷违约的基本概念
2. 申请评分卡在互联网金融业的重要性和特性
3. 贷款申请环节的数据介绍和描述
4. 非平衡样本问题的定义和解决方法
5. 过抽样和欠抽样,SMOTE算法
第二课:申请评分卡中的数据预处理和特征衍生
1. 构建信用风险类型的特征
2. 特征的分箱
分箱的优点
Best-KS分箱法和卡方分箱法
3. 特征信息度的计算和意义
第三课:申请评分卡中的数据预处理和特征衍生(续)
1. 特征分箱后如何编码
WOE的概念、优点和计算
2. 信用风险中的单变量分析和多变量分析
第四课:逻辑回归模型在申请评分卡中的应用
1. 逻辑回归在申请评分卡中的作用的概述
2. 降维的方法
主成分法
3. 变量选择的方法
LASSO方法
逐步回归法
随机森林法
第五课:评分卡模型的评价标准
1. 模型对违约与非违约人群的区分度:KS
2. 模型的准确度衡量:AR
尽可能抓住足够多的违约人群
尽可能不误抓非违约人群
3. 评分卡模型其他常用的评价指标
PSI
Kendal’s Tau
第六课:行为评分卡模型的介绍
1. 行为评分卡的基本概念
2. 行为评分卡的特征构造
3. 行为评分卡模型的开发
第七课:催收评分卡(还款率)模型的介绍
1. 催收评分卡的基本概念
2. 还款率模型的特征构造
3. 还款率模型的开发
第八课:机器学习模型用于评分卡模型-GBDT
1. GBDT模型如何应用在违约预测模型中
2. 如何从违约数据中推导GBDT模型的参数
3. GBDT模型对防范客户违约的指导意义
第九课:深度学习模型用于评分卡模型
1. 深度学习模型如何应用在违约预测模型中
2. 如何从客户违约数据中推导深度学习模型的参数
3. 深度学习模型对防范客户违约的指导意义
4. 深度学习模型和GBDT模型在违约预测工作中的功效比较
第十课:前沿研究-组合评分卡模型
1. 组合模型概述
2. 串行结构的评分组合模型
3. 异态并行结构的评分组合模型
4. 同态并行结构的评分组合模型