随着人工智能技术的进步和消费金融行业的快速发展，智能风控已经成为金融行业的刚性需求。本书围绕智能风控的关键环节一一展开，同时结合具体的智能风控实例进行解析。
本书共6章，主要内容包括智能风控的发展，搭建智能风控模型体系，搭建风控特征画像体系，搭建智能风控策略体系，智能风控与人工的结合，以及智能风控管理。
本书适合银行、消费金融与保险等领域信贷风控模型开发人员、特征挖掘人员和策略分析人员，以及金融科技领域从业者、咨询行业从业者和其他对智能风控感兴趣的人阅读。

第1章 智能风控的发展
1.1 早期的风控技术
1.1.1 基于人工经验的风控
1.1.2 传统统计量化的风控
1.2 初识智能风控
1.2.1 智能风控的定义
1.2.2 智能风控的发展
1.2.3 与传统风控对比
1.3 智能风控主要应用
1.3.1 应用于营销环节
1.3.2 应用于贷前环节
1.3.3 应用于贷中环节
1.3.4 应用于贷后环节
1.4 本章小结
第2章 搭建智能风控模型体系
2.1 模型概述
2.2 模型开发方法论——构建好样本
2.2.1 问题定义
2.2.2 样本的选择和划分
2.2.3 模型架构设计
2.2.4 数据准备和数据描述
2.2.5 数据预处理
2.3 模型开发方法论——构建好模型
2.3.1 特征选择
2.3.2 特征提取
2.3.3 模型训练、概率转化和效果评估
2.3.4 模型部署及上线验证
2.4 常用风控建模智能算法
2.4.1 基础学习算法
2.4.2 集成学习算法
2.4.3 深度学习算法
2.5 模型迭代优化
2.5.1 模型融合角度
2.5.2 建模时效角度
2.5.3 拒绝推断角度
2.6 风控模型体系搭建
2.6.1 营销阶段的模型
2.6.2 贷前阶段的模型
2.6.3 贷中阶段的模型
2.6.4 贷后阶段的模型
2.7 模型监控和异常处理
2.7.1 模型监控和预警
2.7.2 模型异常处理
2.8 本章小结
第3章 搭建风控特征画像体系
3.1 特征挖掘概述
3.2 特征挖掘方法论
3.2.1 原始数据分析
3.2.2 数据清洗
3.2.3 中间数据集构建
3.2.4 特征的设计和生成
3.2.5 特征评估
3.2.6 特征上下线
3.3 特征挖掘智能算法
3.3.1 特征衍生
3.3.2 文本特征挖掘
3.3.3 图特征挖掘
3.4 风控特征画像体系的搭建
3.4.1 营销特征画像
3.4.2 贷前特征画像
3.4.3 贷中特征画像
3.4.4 贷后特征画像
3.5 特征监控和特征异常处理
3.5.1 特征监控
3.5.2 特征异常处理
3.6 本章小结
第4章 搭建智能风控策略体系
4.1 风控策略概述
4.2 风控策略方法论
4.2.1 规则分析方法
4.2.2 模型策略分析方法
4.2.3 额度策略分析方法
4.2.4 A/B测试
4.3 风控策略智能算法
4.3.1 规则挖掘智能算法
4.3.2 决策优化智能算法
4.4 风控策略体系的搭建
4.4.1 营销策略
4.4.2 贷前策略
4.4.3 贷中策略
4.4.4 贷后策略
4.5 风控策略的监控、预警和异常处置
4.5.1 风控策路的监控与预警
4.5.2 风控策略异常处置
4.6 本章小结
第5章 智能风控与人工的结合
5.1 机器学习的局限性
5.1.1 数据不足
5.1.2 可解释性低
5.1.3 因果难区分
5.1.4 模型自身的风险
5.2 发挥人的价值
5.2.1 异常识别
5.2.2 案例研究
5.2.3 黑产对抗
5.3 决策方案的选择
5.3.1 完全智能决策
5.3.2 部分智能决策
5.4 本章小结
第6章 智能风控管理
6.1 建立持续复盘机制
6.2 制订风险预防和应对措施
6.3 制订存档管理措施
6.4 建立透明的沟通渠道
6.5 建立工作体系标准
6.6 应用团队协作工具
6.7 本章小结
参考文献