本书基于Python讲解了信用风险管理和评分卡建模，用漫画的风格，从风险业务、统计分析方法、机器学习模型3个维度展开，详细讲解了信用风险量化相关的数据分析与建模手段，并提供大量的应用实例。作者在多加知名金融公司从事算法研究多年，经验丰富，本书得到了学术界和企业界多位金融风险管理专家的高度评价。全书一共9章，首先介绍了信用风险量化的基础，然后依次讲解了信用评分模型开发过程中的数据处理、用户分群、变量处理、变量衍生、变量筛选、模型训练、拒绝推断、模型校准、决策应用、模型监控、模型重构与迭代、模型报告撰写等内容。所有章节都由问题、算法、案例三部分组成，针对性和实战性都很好强。

推荐序
前言
章信用管理基础/1
1.1信用与管理/2
1.2风控术语解读/3
1.2.1信贷基础指标/4
1.2.2信贷风险指标/5
1.3企业信贷风控架构/7
1.4本章小结/10
第2章评分卡/11
2.1评分卡概念/12
2.1.1适用客群/13
2.1.2用途/14
2.2建模流程/15
2.3模型设计/16
2.3.1业务问题转化/17
2.3.2账龄分析与时间窗口设计/17
2.3.3数据集切分/19
2.3.4样本选择/20
2.3.5采样与加权/21
2.4数据与变量解读/25
2.5本章小结/26
第3章机器学习/27
3.1基本概念/28
3.1.1空间表征/29
3.1.2模型学习/31
3.1.3模型评价/32
3.2广义线性模型/33
3.2.1多元线性回归模型/34
3.2.2经验风险与结构风险/35
3.2.3极大似然估计/38
3.3逻辑回归/39
3.3.1sigmoid函数/40
3.3.2优选似然估计/41
3.3.3多项逻辑回归学习/41
3.3.4标准化/42
3.4性能度量/44
3.4.1误差/45
3.4.2混淆矩阵与衍生指标/45
3.4.3不均衡模型评价/48
3.4.4业务评价/52
3.5上线部署与监控/55
3.5.1上线部署/55
3.5.2前端监控/57
3.5.3后端监控/59
3.6迭代与重构/61
3.6.1模型迭代/61
3.6.2模型重构/62
3.7辅助模型/62
3.7.1XGBoost/63
3.7.2模型解释性/74
3.7.3因子分解机/81
3.8模型合并/82
3.9本章小结/86
第4章用户分群/87
4.1辛普森悖论/88
4.2监督分群/90
4.2.1决策树原理/90
4.2.2决策树分群/92
4.2.3生成拒绝规则/95
4.3无监督分群/105
4.3.1GMM原理/106
4.3.2GMM分群/107
4.4用户画像与聚类分析/108
4.4.1数据分布可视化/109
4.4.2K均值聚类/110
4.4.3均值漂移聚类/111
4.4.4层次聚类/113
4.4.5tSNE聚类/114
4.4.6DBSCAN聚类/115
4.4.7方差分析/117
4.5本章小结/119
第5章数据探索与特征工程/120
5.1探索性数据分析/121
5.1.1连续型变量/122
5.1.2离散型变量/123
5.1.3代码实现/123
5.2特征生成/126
5.2.1特征聚合/127
5.2.2特征组合/145
5.3特征变换/147
5.3.1卡方分箱/148
5.3.2聚类分箱/150
5.3.3分箱对比/151
5.3.4箱的调整/154
5.3.5两种特殊的调整方法/156
5.3.6WOE映射/158
5.4本章小结/158
第6章特征筛选与建模/159
6.1初步筛选/160
6.1.1缺失率/160
6.1.2信息量/161
6.1.3相关性/162
6.1.4代码实现/163
6.2逐步回归/164
6.2.1F检验/165
6.2.2常见逐步回归策略/165
6.2.3检验标准/166
6.2.4代码实现/167
6.3稳定性/167
6.4负样本分布图/169
6.5评分卡案例/171
6.6本章小结/189
第7章拒绝推断/190
7.1偏差产生的原因/191
7.2数据验证/193
7.3标签分裂/193
7.4数据推断/195
7.4.1硬截断法/195
7.4.2模糊展开法/198
7.4.3重新加权法/199
7.4.4外推法/200
7.4.5迭代再分类法/202
7.5本章小结/204
第8章模型校准与决策/205
8.1模型校准的意义/206
8.2校准方法/207
8.2.1通用校准/208
8.2.2多模型校准/210
8.2.3错误分配/214
8.2.4权重还原/215
8.3决策与应用/215
8.3.1最优评分切分/216
8.3.2交换集分析/216
8.3.3人工干预/218
8.4本章小结/219
第9章模型文档/220
9.1模型背景/221
9.2模型设计/222
9.2.1模型样本/222
9.2.2坏客户定义/222
9.3数据准备/223
9.3.1数据提取/223
9.3.2历史趋势聚合/224
9.3.3缺失值与极值处理/224
9.3.4WOE处理/225
9.4变量筛选/225
9.4.1根据IV值进行初筛/226
9.4.2逐步回归分析/226
9.4.3模型调优/226
9.5最终模型/227
9.5.1模型变量/227
9.5.2模型表现/228
9.5.3模型分制转换/228
9.6表现追踪/228
9.7附件/229
9.8本章小结/231