包邮金融科技大数据风控方法介绍:解释性、隐私保护与数据安全

序一 序二 前言 绪论 **部分机器学习及金融应用 第1章 机器学习与金融科技应用介绍 1.1 人工智能介绍. 1.2 机器学习简介. 1.2.1 什么是机器学习 1.2.2 机器学习建模简介 1.2.3 本节小结 1.3 机器学习大数据智能风控应用介绍 1.3.1 人工智能在金融机构风险管理中的应用 1.3.2 深度学习算法将会被广泛采用. 1.3.3 大数据框架下的多种形态数据将会被广泛应用 1.3.4 基于网络的知识图谱（全息画像）形成落地解决方案 1.3.5 联邦学习方法将会大规模落地使用 1.3.6 人工智能方法在大数据风控面临的挑战 1.4 本章小结 练习题 第2章 逻辑回归 2.1 逻辑回归原理 2.1.1 逻辑回归简介 2.1.2 分类原理 2.1.3 示例 2.2 基于*优化方法的*佳回归系数确定 2.2.1 *优化问题 2.2.2 梯度下降法求解 2.2.3 模型的拟合优度评估 2.3 模型评估 2.4 多分类问题 2.4.1 多次逻辑回归 2.4.2 对逻辑回归模型进行扩展 2.5 逻辑回归评分卡 2.6 场景应用 2.6.1 数据描述 2.6.2 模型建立与评估 2.6.3 评分卡生成 2.7 本章小结 练习题 第3章 决策树 3.1 决策树模型的原理 3.2 特征选择 3.2.1 ID3算法 3.2.2C4.5 算法 3.2.3 CART算法 3.2.4 不同决策树算法的比较 3.3 示例 3.4 过拟合与剪枝 3.4.1 预剪枝 3.4.2 后剪枝 3.5 场景应用 3.5.1 数据描述 3.5.2 模型建立与评估 3.6 本章小结 练习题 第4章 集成学习算法 4.1 随机森林 4.1.1 随机森林算法简介 4.1.2 场景应用 4.2 GBDT算法 4.2.1 GBDT算法简介 4.2.2 GBDT算法流程 4.2.3 GBDT示例 4.2.4 Shrinkage策略. 4.2.5 场景应用 4.3 XGBoost算法 4.3.1 XGBoost算法简介 4.3.2 XGBoost分类算法 4.3.3 XGBoost回归算法 4.3.4 XGBoost示例 4.3.5 场景应用 4.4 本章小结 练习题 第5章 机器学习模型的可解释性方法 5.1 可解释性理论 5.1.1 可解释性的重要性 5.1.2 可解释性的分类 5.1.3 解释的性质 5.2 可解释性方法 5.3 SHAP解释法 5.4 LIME解释法 5.4.1 LIME算法特点 5.4.2 LIME实现步骤 5.4.3 LIME算法原理 5.5 SHAP与LIME解释法的对比 5.6 本章小结 练习题 第6章 大数据风控机器学习建模 6.1 标签设计 6.1.1 Vintage账龄分析 6.1.2 滚动率分析 6.1.3 好/坏/不确定定义 6.2 数据清洗 6.2.1 缺失值处理 6.2.2 同值化处理 6.2.3 标准化处理 6.3 特征工程概述 6.3.1 特征变量分箱 6.3.2 变量WOE转换. 6.3.3 IV值预测能力分析 6.3.4 相关性和关联性分析 6.3.5 VIF方差膨胀因子分析 6.4 模型训练与评估 6.4.1 模型建立 6.4.2 参数优化 6.5 模型验证 6.5.1 模型稳定性 6.5.2 模型区分能力 6.6 实证研究 6.6.1 数据来源与处理 6.6.2 特征工程 6.6.3 模型训练与评估 6.6.4 模型预测结果的解释 6.6.5 可解释性结果与样本真实分布的对比 6.7 本章小结 练习题 第二部分隐私保护和数据安全背景下的机器学习及金融应用 第7章 同态加密机器学习建模 7.1 同态加密简介 7.1.1 几种主流全同态加密方案对比 7.1.2 CKKS加密方案应用207目 7.2 密文逻辑回归模型构建 7.2.1 双方介绍 7.2.2 密文逻辑回归的建模过程 7.2.3 密文逻辑回归的预测过程 7.3 密文评分卡模型构建 7.3.1 研究目的 7.3.2 数据要求 7.3.3 **文件和源代码 7.4 密文评分卡建模流程 7.4.1 双方介绍 7.4.2 模拟数据 7.4.3 密文评分卡自动化建模流程 7.5 本章小结 附录I代码流程操作详解 练习题 第8章 联邦学习建模 8.1 联邦学习适用的场景 8.2 联邦学习的分类 8.3 联邦学习框架下的机器学习算法 8.3.1 纵向安全联邦逻辑回归 8.3.2 Secureboost 8.4 联邦学习实证 8.4.1 Secureboost示例. 8.4.2 场景应用 8.5 本章小结 练习题 第三部分吉布斯抽样算法的特征提取及场景应用 第9章 吉布斯抽样方法和特征提取框架介绍 9.1 吉布斯抽样方法可以解决什么问题 9.2 逻辑回归模型框架下的关联特征的提取方法 9.3 实现吉布斯抽样特征提取的算法框架 9.4 集成学习模型框架下的关联特征提取步骤 9.5 本章小结 附录II支持关联特征提取的比值比指标介绍 练习题 第10章 筛选刻画FOF关联风险特征指标 10.1 基金自身关联风险因素介绍 10.2 影响基金的其他相关因素 10.3 筛选FOF关联特征的随机搜索算法框架建立 10.3.1 金融产品（基金）业绩相关特征提取的基本思路 10.3.2 非结构性数据特征提取推断算法框架 10.3.3 核心特征的提取与筛选 10.4 基于ROC曲线的AUC测试的特征表现 10.5 本章小结 练习题 第11章 筛选影响大宗商品价格变化的特征指标 11.1 大宗商品价格因素相关背景介绍 11.2 期货铜特征因子分析 11.2.1 大宗商品期货铜价格数据介绍 11.2.2 预测大宗商品期货铜价格变化趋势的关联特征因子 11.2.3 预测刻画影响铜价格变化的特征因子 11.3 本章小结 附录III支持特征提取的初始关联特征因子表 练习题 第12章 筛选影响螺纹钢期货价格变化的关联特征 12.1 螺纹钢背景综述 12.1.1 背景 12.1.2 影响螺纹钢价格因素研究现状简述 12.2 影响螺纹钢期货价格的因素分析 12.2.1 螺纹钢期货价格影响因素分析 12.2.2 构建初始特征池 12.2.3 影响螺纹钢期货价格的风险特征提取与分析方法 12.2.4 刻画螺纹钢期货价格变化实证分析 12.3 本章小结 练习题 第13章 筛选影响公司财务欺诈行为的关联特征 13.1 公司财务欺诈行为背景介绍 13.2 公司财务欺诈行为的特征指标 13.2.1 上市公司财务欺诈风险特征介绍 13.2.2 特征提取方法简介 13.3 建立全面刻画公司财务欺诈的预警体系 13.3.1 案例分析 13.3.2 公司监事关联性 13.3.3 建立有效预测财务欺诈框架 13.4 本章小结 练习题 第14章 针对上市公司财务欺诈行为的评估. 14.1 基于舞弊三角理论的咖啡馆财务质量评估 14.1.1 财务舞弊与财务欺诈 14.1.2 舞弊三角理论 14.2 常见舞弊类型讨论 14.3 咖啡馆财务质量评估方法 14.3.1 基本思想陈述 14.3.2 核心指标 14.4 针对上市公司财务舞弊案例分析 14.4.1 压力与动机 14.4.2 机会与漏洞 14.4.3 态度与借口 14.4.4 结论和针对欺诈行为的特征刻画讨论 14.5 本章小结 练习题 第15章 筛选影响个人信用贷款的关联特征 15.1 背景 15.2 数据来源 15.3 算法选取：XGBoost与吉布斯算法的异同表现 15.4 筛选的数据结果与讨论 15.5 本章小结 练习题 第16章 建立刻画乡村农户贫困状态特征因子的筛选框架 16.1 背景 16.2 特征指标筛选与分析流程框架建立思路 16.2.1 基础指标池的构建 16.2.2 建立特征指标筛选框架的基本思路 16.2.3 针对特征指标的建模分析与甄别能力的有效性测试 16.3 支持特征提取的数据源样本描述 16.3.1 提取刻画乡村农户贫困状态特征的框架和分析 16.3.2 刻画农户贫困状态的特征指标的筛选结果. 16.3.3 刻画农户贫困状态特征指标甄别的有效性测试 16.4 结论的简要解读和讨论建议 16.5 本章小结 附录IV 描述农户贫困状态特征指标的基本定义和解释 练习题 参考文献 附录A 基于Python语言对几种典型算法的基本功能代码实现 A.1 线性回归模型简介 A.2 线性分类模型简介 A.3 决策树模型简介 A.4 集成模型简介 A.4.1 引导聚集 A.4.2 梯度提升 A.4.3 LightGBM的超参数调整 A.4.4 集成模型用于分类 A.4.5 总结 A.5 神经网络模型简介 A.5.1 数据读取 A.5.2 多分类逻辑回归 A.5.3 分类模型的衡量 A.5.4 拟合不足与过拟合 A.6 深度学习介绍 A.6.1 近期人工智能热潮的关键推动力 A.6.2 金融服务:工具赋能到知识赋能 A.6.3 基于深度学习的知识服务 索引