金融商業算法建模：基於Python和SAS


	這是一本貫穿金融業務經營全流程，以業務為驅動的金融數據挖掘與建模著作，涵蓋分析框架、模型演算法、模型評估、模型監控、演算法工程化等整個數據建模的閉環。本書的4位作者都是在金融領域有有多年工作經驗的大數據專家，不僅技術功底深厚、業務經驗豐富，而且對金融行業從業者的需求痛點和圖書市場的供給情況有深入瞭解，他們通過精心策劃和寫作，讓本書內容獨樹一幟：涵蓋金融業務經營全流程，全部以業務驅動，包含大量針對具體場景的實戰案例。本書針對決策類、識別類、優化分析類3大主題，9大範本：客戶價值預測、行銷回應預測、細分畫像、交叉銷售、申請反欺詐、違規行為識別、預測、運籌優化、流程挖掘，詳細講解了每個範本演算法原理、評估方法、優化方法和應用案例等，內容上極力做到準確、明晰、直觀與實用。此外，本書還對數據科學項目中比較容易被忽視的內容做了補充，包括模型評估、模型監控、演算法工程化，能指導讀者構建易讀、高效、健壯的數據科學工程。本書堅持理論與實踐相結合，通過圖形、示例、公式説明讀者快速掌握演算法與優化理論的同時，還打造了一套可輕鬆適配各種分析場景與需求的工具範本，力圖説明讀者從理論快速跨越到實踐。



	購買中國簡體書籍請注意： 1. 因裝幀品質及貨運條件未臻完善，中國簡體書可能有出現磨痕、凹痕、折痕等問題，故簡體字館除封面破損、內頁脫落、缺頁等較嚴重的狀態外，其餘所有商品將正常出貨。


	目錄前言第1章　金融建模綜述1 11　企業中數據分析的層級1 12　操作層面的數據分析物件與成果4 13　數據挖掘方法分類介紹4 131　預測性—有監督學習5 132　描述性—無監督學習10 14　數據挖掘方2212 15　數據挖掘建模框架的3個原則14 16　利用SAS EM創建數據挖掘項目16 161　創建數據挖掘專案16 162　給專案添加邏輯庫和數據集20 163　SAS EM專案的系統文檔介紹26 第2章　決策類模型28 21　客戶價值預測28 211　線性回歸模型概述28 212　Python案例：線性回歸建模33 213　多元線性回歸的變數篩選40 214　Python案例：多元線性回歸變數篩選43 215　模型假設檢驗44 216　殘差分析48 217　強影響點分析49 218　Python案例：線性回歸調優實戰50 219　線性回歸的完整流程小結59 2110　正則化61 2111　Python案例：嶺回歸與Lasso回歸實戰65 22　行銷回應預測70 221　使用邏輯回歸預測使用者響應率70 222　比較邏輯回歸與線性回歸70 223　圖解邏輯回歸71 224　邏輯回歸演算法概述73 225　分類模型的評估75 226　分類變數的處理79 227　Python案例：邏輯回歸建模實戰80 228　SAS EM案例：貸款違約預測實戰88 229　邏輯回歸建模小結104 23　細分畫像104 231　主成分分析105 232　因數分析116 233　變數聚類127 234　樣本聚類1—層次聚類130 235　樣本聚類2—K-Means聚類136 24　交叉銷售165 241　關聯規則165 242　序列模式185 第3章　識別類模型195 31　申請反欺詐195 311　決策樹195 312　組合演算法228 313　2近鄰域法253 314　樸素貝葉斯257 315　支持向量機263 316　神經網路276 32　違規行為識別294 321　孤立森林296 322　局部異常因數304 第4章　優化分析類模型308 41　預測技術308 411　效應分解法309 412　基於動力模型的ARIMA317 413　基於深度學22LSTM333 42　運籌優化341 421　線性規劃342 422　整數規劃344 423　非線性規劃347 43　流程挖掘348 431　業務流程挖掘的總體理念348 432　流程發現352 433　流程監控353 434　流程遵循354 435　Python案例：利用pm4py實現流程挖掘355 第5章　模型評估與模型監控363 51　模型評估363 511　混淆矩陣363 512　ROC曲線363 513　KS統計量365 514　洛倫茲曲線與基尼系數366 52　模型監控368 521　前端監控—業務指標368 522　前端監控—評分分佈穩定性368 523　前端監控—特徵分佈穩定性370 524　後端監控—評分正確性371 525　後端監控—變數有效性372 第6章　演算法工程化374 61　構建合理的專案工程結構374 611　為什麼要構建合理的專案工程結構374 612　什麼是一個數據科學專案應有的結構375 62　如何編寫規範的數據工程代碼378 621　代碼可讀性379 622　數據處理性能381 附錄　SAS EM節點說明386