掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
以利為利:財政關系與地方政府行為
-
>
立足飯碗 藏糧于地——基于中國人均耕地警戒值的耕地保護視角
-
>
營銷管理
-
>
茶葉里的全球貿易史(精裝)
-
>
近代華商股票市場制度與實踐(1872—1937)
-
>
麥肯錫圖表工作法
-
>
海龜交易法則
金融科技大數據風控方法介紹:解釋性、隱私保護與數據安全 版權信息
- ISBN：9787030746337
- 條形碼：9787030746337 ; 978-7-03-074633-7
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
金融科技大數據風控方法介紹:解釋性、隱私保護與數據安全 內容簡介
本書不僅解決理想狀況下有數據場景的信用建模和風控問題，更重要的是能夠解決跨部門多源異構數據的隱私保護和共享的信用建模和風控問題，具體表現在：1、利用聯邦學習技術解決多源異構數據隱私保護和數據開放共享之間的矛盾，通過數據不出門、用數不見數，實現數據共享和聯合建模，解決金融風控問題。2、利用區塊鏈技術保障各參與方進行聯合建模時的安全，利用區塊鏈的價值驅動激勵機制增加各參與方之間提供數據、更新網絡模型參數的積極性，實現聯合建模的商業可持續性。本書的重點在于解決數據隱私保護和共享之間的矛盾，克服數據孤島問題的基礎上探討大數據風控的理論和實踐，在發揮大數據價值和推動AI在金融風控中的技術應用具有重要的理論價值，而且在促進普惠金融的發展方面具有重要的社會和經濟價值。本科生高年級、研究生、以及銀行、擔保、互聯網金融、保險公司、各地大數據管理局等風控從業人員。
金融科技大數據風控方法介紹:解釋性、隱私保護與數據安全 目錄
序一
序二
前言
緒論
**部分機器學習及金融應用
第1章 機器學習與金融科技應用介紹
1.1 人工智能介紹.
1.2 機器學習簡介.
1.2.1 什么是機器學習
1.2.2 機器學習建模簡介
1.2.3 本節小結
1.3 機器學習大數據智能風控應用介紹
1.3.1 人工智能在金融機構風險管理中的應用
1.3.2 深度學習算法將會被廣泛采用.
1.3.3 大數據框架下的多種形態數據將會被廣泛應用
1.3.4 基于網絡的知識圖譜（全息畫像）形成落地解決方案
1.3.5 聯邦學習方法將會大規模落地使用
1.3.6 人工智能方法在大數據風控面臨的挑戰
1.4 本章小結
練習題
第2章 邏輯回歸
2.1 邏輯回歸原理
2.1.1 邏輯回歸簡介
2.1.2 分類原理
2.1.3 示例
2.2 基于*優化方法的*佳回歸系數確定
2.2.1 *優化問題
2.2.2 梯度下降法求解
2.2.3 模型的擬合優度評估
2.3 模型評估
2.4 多分類問題
2.4.1 多次邏輯回歸
2.4.2 對邏輯回歸模型進行擴展
2.5 邏輯回歸評分卡
2.6 場景應用
2.6.1 數據描述
2.6.2 模型建立與評估
2.6.3 評分卡生成
2.7 本章小結
練習題
第3章 決策樹
3.1 決策樹模型的原理
3.2 特征選擇
3.2.1 ID3算法
3.2.2C4.5 算法
3.2.3 CART算法
3.2.4 不同決策樹算法的比較
3.3 示例
3.4 過擬合與剪枝
3.4.1 預剪枝
3.4.2 后剪枝
3.5 場景應用
3.5.1 數據描述
3.5.2 模型建立與評估
3.6 本章小結
練習題
第4章 集成學習算法
4.1 隨機森林
4.1.1 隨機森林算法簡介
4.1.2 場景應用
4.2 GBDT算法
4.2.1 GBDT算法簡介
4.2.2 GBDT算法流程
4.2.3 GBDT示例
4.2.4 Shrinkage策略.
4.2.5 場景應用
4.3 XGBoost算法
4.3.1 XGBoost算法簡介
4.3.2 XGBoost分類算法
4.3.3 XGBoost回歸算法
4.3.4 XGBoost示例
4.3.5 場景應用
4.4 本章小結
練習題
第5章 機器學習模型的可解釋性方法
5.1 可解釋性理論
5.1.1 可解釋性的重要性
5.1.2 可解釋性的分類
5.1.3 解釋的性質
5.2 可解釋性方法
5.3 SHAP解釋法
5.4 LIME解釋法
5.4.1 LIME算法特點
5.4.2 LIME實現步驟
5.4.3 LIME算法原理
5.5 SHAP與LIME解釋法的對比
5.6 本章小結
練習題
第6章 大數據風控機器學習建模
6.1 標簽設計
6.1.1 Vintage賬齡分析
6.1.2 滾動率分析
6.1.3 好/壞/不確定定義
6.2 數據清洗
6.2.1 缺失值處理
6.2.2 同值化處理
6.2.3 標準化處理
6.3 特征工程概述
6.3.1 特征變量分箱
6.3.2 變量WOE轉換.
6.3.3 IV值預測能力分析
6.3.4 相關性和關聯性分析
6.3.5 VIF方差膨脹因子分析
6.4 模型訓練與評估
6.4.1 模型建立
6.4.2 參數優化
6.5 模型驗證
6.5.1 模型穩定性
6.5.2 模型區分能力
6.6 實證研究
6.6.1 數據來源與處理
6.6.2 特征工程
6.6.3 模型訓練與評估
6.6.4 模型預測結果的解釋
6.6.5 可解釋性結果與樣本真實分布的對比
6.7 本章小結
練習題
第二部分隱私保護和數據安全背景下的機器學習及金融應用
第7章 同態加密機器學習建模
7.1 同態加密簡介
7.1.1 幾種主流全同態加密方案對比
7.1.2 CKKS加密方案應用207目
7.2 密文邏輯回歸模型構建
7.2.1 雙方介紹
7.2.2 密文邏輯回歸的建模過程
7.2.3 密文邏輯回歸的預測過程
7.3 密文評分卡模型構建
7.3.1 研究目的
7.3.2 數據要求
7.3.3 **文件和源代碼
7.4 密文評分卡建模流程
7.4.1 雙方介紹
7.4.2 模擬數據
7.4.3 密文評分卡自動化建模流程
7.5 本章小結
附錄I代碼流程操作詳解
練習題
第8章 聯邦學習建模
8.1 聯邦學習適用的場景
8.2 聯邦學習的分類
8.3 聯邦學習框架下的機器學習算法
8.3.1 縱向安全聯邦邏輯回歸
8.3.2 Secureboost
8.4 聯邦學習實證
8.4.1 Secureboost示例.
8.4.2 場景應用
8.5 本章小結
練習題
第三部分吉布斯抽樣算法的特征提取及場景應用
第9章 吉布斯抽樣方法和特征提取框架介紹
9.1 吉布斯抽樣方法可以解決什么問題
9.2 邏輯回歸模型框架下的關聯特征的提取方法
9.3 實現吉布斯抽樣特征提取的算法框架
9.4 集成學習模型框架下的關聯特征提取步驟
9.5 本章小結
附錄II支持關聯特征提取的比值比指標介紹
練習題
第10章 篩選刻畫FOF關聯風險特征指標
10.1 基金自身關聯風險因素介紹
10.2 影響基金的其他相關因素
10.3 篩選FOF關聯特征的隨機搜索算法框架建立
10.3.1 金融產品（基金）業績相關特征提取的基本思路
10.3.2 非結構性數據特征提取推斷算法框架
10.3.3 核心特征的提取與篩選
10.4 基于ROC曲線的AUC測試的特征表現
10.5 本章小結
練習題
第11章 篩選影響大宗商品價格變化的特征指標
11.1 大宗商品價格因素相關背景介紹
11.2 期貨銅特征因子分析
11.2.1 大宗商品期貨銅價格數據介紹
11.2.2 預測大宗商品期貨銅價格變化趨勢的關聯特征因子
11.2.3 預測刻畫影響銅價格變化的特征因子
11.3 本章小結
附錄III支持特征提取的初始關聯特征因子表
練習題
第12章 篩選影響螺紋鋼期貨價格變化的關聯特征
12.1 螺紋鋼背景綜述
12.1.1 背景
12.1.2 影響螺紋鋼價格因素研究現狀簡述
12.2 影響螺紋鋼期貨價格的因素分析
12.2.1 螺紋鋼期貨價格影響因素分析
12.2.2 構建初始特征池
12.2.3 影響螺紋鋼期貨價格的風險特征提取與分析方法
12.2.4 刻畫螺紋鋼期貨價格變化實證分析
12.3 本章小結
練習題
第13章 篩選影響公司財務欺詐行為的關聯特征
13.1 公司財務欺詐行為背景介紹
13.2 公司財務欺詐行為的特征指標
13.2.1 上市公司財務欺詐風險特征介紹
13.2.2 特征提取方法簡介
13.3 建立全面刻畫公司財務欺詐的預警體系
13.3.1 案例分析
13.3.2 公司監事關聯性
13.3.3 建立有效預測財務欺詐框架
13.4 本章小結
練習題
第14章 針對上市公司財務欺詐行為的評估.
14.1 基于舞弊三角理論的咖啡館財務質量評估
14.1.1 財務舞弊與財務欺詐
14.1.2 舞弊三角理論
14.2 常見舞弊類型討論
14.3 咖啡館財務質量評估方法
14.3.1 基本思想陳述
14.3.2 核心指標
14.4 針對上市公司財務舞弊案例分析
14.4.1 壓力與動機
14.4.2 機會與漏洞
14.4.3 態度與借口
14.4.4 結論和針對欺詐行為的特征刻畫討論
14.5 本章小結
練習題
第15章 篩選影響個人信用貸款的關聯特征
15.1 背景
15.2 數據來源
15.3 算法選取：XGBoost與吉布斯算法的異同表現
15.4 篩選的數據結果與討論
15.5 本章小結
練習題
第16章 建立刻畫鄉村農戶貧困狀態特征因子的篩選框架
16.1 背景
16.2 特征指標篩選與分析流程框架建立思路
16.2.1 基礎指標池的構建
16.2.2 建立特征指標篩選框架的基本思路
16.2.3 針對特征指標的建模分析與甄別能力的有效性測試
16.3 支持特征提取的數據源樣本描述
16.3.1 提取刻畫鄉村農戶貧困狀態特征的框架和分析
16.3.2 刻畫農戶貧困狀態的特征指標的篩選結果.
16.3.3 刻畫農戶貧困狀態特征指標甄別的有效性測試
16.4 結論的簡要解讀和討論建議
16.5 本章小結
附錄IV 描述農戶貧困狀態特征指標的基本定義和解釋
練習題
參考文獻
附錄A 基于Python語言對幾種典型算法的基本功能代碼實現
A.1 線性回歸模型簡介
A.2 線性分類模型簡介
A.3 決策樹模型簡介
A.4 集成模型簡介
A.4.1 引導聚集
A.4.2 梯度提升
A.4.3 LightGBM的超參數調整
A.4.4 集成模型用于分類
A.4.5 總結
A.5 神經網絡模型簡介
A.5.1 數據讀取
A.5.2 多分類邏輯回歸
A.5.3 分類模型的衡量
A.5.4 擬合不足與過擬合
A.6 深度學習介紹
A.6.1 近期人工智能熱潮的關鍵推動力
A.6.2 金融服務:工具賦能到知識賦能
A.6.3 基于深度學習的知識服務
索引
展開全部
書友推薦
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
史學評論
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
姑媽的寶刀
- >
回憶愛瑪儂
- >
有舍有得是人生
- >
名家帶你讀魯迅:朝花夕拾
- >
龍榆生：詞曲概論/大家小書
本類暢銷
