智能風控：評分卡建模原理、方法與風控策略構建

這是一部系統講解評分卡建模的智慧風控著作，從業務與技術、理論與實踐、傳統風控與智慧風控等角度透徹講解評分卡建模的原理、流程、方法及其風控策略構建。
 
作者在智慧風控領域深耕十餘年，既熟悉商業銀行傳統風控體系思想、方法、技術、工具，又熟悉人工智慧背景下的創新智慧風控相關解決方案、風險策略和風險建模技術，本書是作者實踐經驗的系統性總結。
 
本書內容分為六部分。
第一部分（第1章）介紹評分卡建模基礎知識，包括評分卡模型的概念和定義、評分卡建模全流程、評分卡模型的評價等。
 
第二部分（第2章）介紹銀行零售信貸領域產品特徵和業務流程，以及信用風險和欺詐風險概念，介紹評分卡的應用場景和業務基礎知識。
第三部分（第3~11章）系統介紹評分建模的全流程，覆蓋需求理解、資料理解、特徵工程、模型設計、模型開發、模型驗證、模型部署、模型監控、模型優化等模型全生命週期各環節。
 
第四部分（12~14章）總結了評分建模的關鍵問題及其解決方案，包括拒 推斷、模型可解釋性等，以及模型開發過程中諸如分佈不均衡、模型性能下降、模型反覆運算漂移等問題。
 
第五部分（15章）介紹了當前業界除評分卡外使用頻率Z高的高維機器學習技術，比較了傳統評分卡模型和高維機器學習模型，並重點介紹了XGBoost和LightGBM模型。
 
第六部分（16章）以貸前自動化審批場景為例，介紹基於評分的自動化審批策略構建，説明讀者理解評分卡模型在風險策略設計中的應用。

第1章評分卡建模理論基礎 1
1.1評分卡建模常見面試問題 1
1.2關於模型的系統性理解 2
1.3與建模密切相關的4個領域 3
1.3.1機器學習 3
1.3.2資料採擷 4
1.3.3資料分析 4
1.3.4統計分析 5
1.3.5四者之間的聯繫與區別 5
1.4評分模型與評分卡模型 6
1.4.1評分模型和評分卡模型的定義 6
1.4.2評分卡模型的分類 6
1.4.3評分卡模型的適用性 7
1.4.4評分卡模型的價值 8
1.4.5評分卡模型的應用 9
1.5評分卡建模全流程 9
1.6對評分卡模型的評價 10
1.7本章小結 11
 
第2章零售信貸業務基礎和風險管理 12
2.1銀行零售信貸產品的產品特徵和業務流程 12
2.1.1個人貸款 13
2.1.2信用卡 17
2.2信用與信用風險 21
2.2.1信用風險識別 22
2.2.2信用風險評估 23
2.2.3信用風險監測 24
2.2.4信用風險控制 24
2.2.5征信 25
2.3欺詐與欺詐風險 26
2.3.1欺詐風險的分類 27
2.3.2欺詐風險的防範 27
2.3.3欺詐風險與信用風險比較 27
2.4本章小結 28
 
第3章業務需求理解 29
3.1業務需求理解概述 29
3.2明確擬解決問題和分析目標 29
3.3業務訪談的設計和實施 30
3.4整體分析方案設計 31
3.5本章小結 32
 
第4章資料基礎決定模型效果上限 33
4.1關於資料的系統性認識 33
4.1.1資料基本特徵 33
4.1.2常見資料問題 36
4.2傳統信貸業務資料 37
4.2.1貸款可用資料 38
4.2.2信用卡可用資料 38
4.3征信數據 39
4.3.1征信數據概述 39
4.3.2一代人行征信 40
4.3.3二代人行征信 41
4.3.4一、二代人行征信的差異及映射轉換 42
4.3.5人行征信資料的使用 43
4.4內外部大資料 44
4.4.1大數據概述 44
4.4.2銀行內部大資料 45
4.4.3銀行外部大資料 45
4.5資料品質診斷 46
4.5.1資料品質診斷目的 46
4.5.2資料品質診斷方法 47
4.6業務資料分析 48
4.6.1業務資料分析目的 48
4.6.2業務資料分析方法 49
4.7本章小結 49
 
第5章利用特徵工程提取有效的風險特徵 50
5.1特徵工程概述 50
5.1.1特徵與特徵工程 50
5.1.2資料處理與特徵工程流程 51
5.1.3特徵工程的理論體系 51
5.1.4特徵工程的抽象範式 52
5.2特徵預處理與轉換 53
5.2.1常見資料品質問題 53
5.2.2特徵清洗與預處理 53
5.2.3特徵編碼 54
5.2.4特徵轉換 55
5.3特徵提取與生成 56
5.3.1業務專家經驗定義 56
5.3.2工程化自動化衍生 56
5.3.3表徵學習 58
5.4特徵評價、選擇與降維 62
5.4.1特徵評價 62
5.4.2特徵選擇與降維 63
5.5自動化特徵工程技術與工具 65
5.5.1自動化特徵工程概述 65
5.5.2自動化特徵工程工具 66
5.6本章小結 74
 
第6章評分卡模型設計 75
6.1模型設計概述 75
6.1.1模型設計的定義 75
6.1.2模型設計的工作內容 76
6.2排除規則與樣本範圍 76
6.2.1排除規則和樣本範圍的定義 76
6.2.2申請評分卡模型排除規則 77
6.2.3行為評分卡模型排除規則 77
6.2.4催收評分卡模型排除規則 78
6.3模型細分 79
6.4表現期定義與Vintage分析 80
6.4.1表現期定義 80
6.4.2Vintage分析 80
6.5滾動率 83
6.5.1滾動率定義 83
6.5.2滾動率分析 84
6.5.3滾動率計算常見問題 84
.6觀察期的定義與選擇 85
6.6.1觀察期的定義 85
6.6.2觀察期的選擇 85
6.7模型設計匯總計數 86
6.7.1匯總計數定義 87
6.7.2匯總計數的特別說明 87
6.8建模方式和模型原型選擇 87
6.9本章小結 88
 
第7章評分卡模型開發 89
7.1模型開發概述 89
7.2樣本分區 90
7.3樣本抽樣 91
7.4變數預篩選 93
7.5變數分箱 94
7.6變數再篩選 96
7.7變數轉換WOE 97
7.8使用邏輯回歸進行模型擬合 97
7.8.1多重共線性檢驗 97
7.8.2邏輯回歸建模 98
7.8.3模型訓練結果 100
7.9模型驗證 101
7.9.1排序性 101
7.9.2區分能力 101
7.9.3穩定性 103
7.9.4分值集中度 103
7.9.5分值分佈 104
7.9.6離散度 104
7.10評分尺規 105
7.11模型匯出PMML並測試 107
7.12評分卡建模專用Python包 108
7.12.1scorecardpy工具包 108
7.12.2toad工具包 108
7.12.3RiskModeler工具包 109
7.13評分卡建模實例 109
7.13.1使用scorecardpy進行評分卡建模 109
7.13.2使用toad進行評分卡建模 113
7.14評分卡建模常見問題 119
7.15本章小結 122
 
第8章評分卡模型驗證 123
8.1模型驗證概述 123
8.1.1模型性能的影響因素 123
8.1.2模型品質的評價 124
8.1.3模型驗證的目的 125
8.2模型性能的技術性評價指標 125
8.2.1分類模型 125
8.2.2回歸模型 133
8.3模型驗證方法 133
8.4模型全面獨立驗證體系 134
8.4.1模型全面獨立驗證與開發期驗證 135
8.4.2模型全面獨立驗證的內容和範圍 135
8.4.3模型全面獨立驗證的階段劃分 135
8.5本章小結 136
 
第9章評分卡模型部署 137
9.1模型部署概述 137
9.2模型部署工作流程 139
9.3規則化部署方案 141
9.3.1在信貸業務系統流程中硬編碼 141
9.3.2在獨立通用決策引擎系統中部署 141
9.4標準化部署方案 142
9.4.1模型描述標準 142
9.4.2匯出模型檔 144
9.4.3模型檔的解釋執行 146
9.5模型部署常見問題 148
9.6本章小結 148
 
第10章評分卡模型監控 149
10.1模型監控概述 149
10.2前端監控 150
10.2.1總體評分分佈 150
10.2.2總體評分分佈穩定性 151
10.2.3總體平均分及偏移 151
10.2.4總體分值集中度 152
10.2.5變數取值分佈 152
10.2.6變數取值分佈穩定性 153
10.2.7變數加權平均分和偏移 153
10.3後端監控 154
10.3.1總體評分風險表現 154
10.3.2總體評分區分能力指標 155
10.3.3總體評分排序性 155
10.3.4變數風險表現 156
10.3.5變數區分能力指標 156
10.4監控資料和特徵 156
10.5監控服務運行 157
10.6本章小結 158
 
第11章評分卡模型優化 159
11.1模型優化概述 159
11.2模型優化的觸發條件 159
11.3模型性能下降原因 160
11.4判斷是否需要優化 160
11.5確定模型優化方案 161
11.6優化調整對現有決策的影響 161
11.7對基於評分的決策進行調整 161
11.8本章小結 162
 
第12章評分卡模型的拒 推斷 163
12.1什麼是拒 推斷 163
12.1.1拒 推斷的過程 163
12.1.2拒 推斷的合理假設 164
12.1.3拒 推斷的本質 165
12.2為什麼要做拒 推斷 165
12.3如何做拒 推斷 166
12.3.1Fuzzy擴展法 166
12.3.2簡單擴展法 166
12.3.3分段擴展法 167
12.3.4拒 推斷的其他方法 168
12.4拒 推斷應注意的問題 169
12.5本章小結 170
 
第13章評分卡模型的可解釋性 171
13.1模型可解釋性 171
13.1.1什麼是模型可解釋性 171
13.1.2為什麼模型需要可解釋性 172
13.1.3模型可解釋性分類 173
13.1.4模型可解釋性演算法 174
13.2評分卡模型可解釋性 184
13.2.1全域可解釋性 185
13.2.2局部可解釋性 186
13.2.3業務特殊考慮 188
13.2.4基於PMML Scorecard的可解釋性 188
13.3本章小結 190
 
第14章評分卡模型的其他常見問題 191
14.1分值分佈不均衡問題 191
14.2特定群體或局部分數段區分能力弱問題 192
14.3訓練-測試-時間外評分分佈差異 192
14.4訓練-測試-時間外評分性能差異 193
14.5模型反覆運算漂移現象 195
14.6潛在建模作弊問題 195
14.7本章小結 195
 
第15章從傳統評分卡模型到高維機器學習模型 196
15.1傳統評分卡模型和高維機器學習模型的結合 196
15.1.1技術和業務發展背景 196
15.1.2摒棄兩種 觀點 197
15.1.3傳統評分卡模型與高維機器學習模型的比較 198
15.1.4兩種工具結合使用 199
15.2高維機器學習模型XGBoost 200
15.2.1XGBoost演算法原理 200
15.2.2XGBoost包簡介 202
15.2.3使用XGBoost包建立預測模型 205
15.3高維機器學習模型LightGBM 205
15.3.1LightGBM演算法原理 206
15.3.2LightGBM包簡介 206
15.3.3使用LightGBM包建立預測模型 209
15.4本章小結 211
 
第16章基於評分的風控策略應用 212
16.1模型、規則、策略、政策 212
16.2基於評分的貸前自動化審批策略 213
16.2.1貸前審批環節需要解決的問題 213
16.2.2 信貸業務流程和風控流程 213
16.2.3基於評分構建貸前審批策略 215
16.2.4貸前審批策略經濟效益測算 217
16.3智慧風控領域的 多策略 218
16.4本章小結 218