第二期:
第一课:数据分析基本知识复习(2课时)
1. 数据分析的基本概念
a. 目的
b. 数据获取和清理
c. 数据的描述性统计与可视化
2. 数据分析的常用模型
a. 监督式模型:(广义)线性回归,决策树,随机森林,支持向量机,神经网络
b. 非监督式模型:聚类分析,因子分析,主成分分析
第二课:银行信贷客户的聚类分析-非监督式聚类(2课时)
1. 数值型变量的归一化
2. 类别型变量的编码
3. 距离的概念和种类
4. 闵可夫斯基距离
6. 聚类的性能度量
a. Davies-Bouldin Index
b. Dunn Index
7. K-均值算法的难题:如何选取k
第三课:银行信贷客户的聚类分析-非监督式聚类(续)(2课时)
1. 数据描述
2. 数据预处理的实操:归一化与编码
3. K-均值算法用于信贷客户的聚类分析
4. 层次聚类法用于信贷客户的聚类分析
第四课:银行信贷客户的聚类分析-半监督式聚类(2课时)
1. 半监督聚类
a. 约束K-均值算法
2. 带有少量标签的K-均值算法
第五课:行为评分卡模型的简介(2课时)
1. 个人信贷产品的简介及其中的各类风险
2. 什么是评分卡模型
3. 信用风险领域的评分卡模型
a. 申请评分卡
b. 行为评分卡
c. 催收评分卡
4. 评分卡模型的时间窗口概念
a. 表现期
b. 观察期
5. 拓展:PD模型与巴塞尔协议
第六课:行为评分卡模型的特征构造(2课时)
1. 训练集和测试集的划分
2. 特征构造
a. 逾期类型特征
b. 还款率类型特征
c. 使用率类型特征
d. 消费类型特征
e. 其他类型特征
3. 变量的分箱和WOE计算
第七课:行为评分卡模型的特征挑选(2课时)
1. IV的概念
2. 单变量分析
3. 多变量分析
4. 线性相关性
5. 多重共线性
第八课:行为评分卡模型的逻辑回归模型(2课时)
1. 逻辑回归模型的基本概念
a. 什么是逻辑回归
b. 逻辑回归中的参数估计
c. 逻辑回归的正则化:LASSO(L1约束) & Ridge(L2约束)
2. 用逻辑回归构造行为评分卡模型
3. 从概率到分数
第九课:行为评分卡模型的验证、监控和调优(2课时)
1. 评分卡模型常用的评价指标
a. KS
b. AR
c. PSI
d. Kendal’s Tau
3. 模型监控的概念
a. 模型监控的频率
b. 模型监控的解读
4. 模型的调优
第十课:组合评分卡模型(2课时)
1. 组合模型概述
2. 串行结构的评分组合模型
3. 异态并行结构的评分组合模型
4. 同态并行结构的评分组合模型
! C5 m" L1 _* N" D1 |* P7 u* L# p( |( h. R
第一期:
课程大纲:
第一讲:数据分析基本知识复习(2课时)
1. 数据分析的基本概念
a. 目的
b. 数据获取和清理
c. 数据的描述性统计
2. 数据可视化
3. 数据分析的常用模型
a. 监督式模型:(广义)线性回归,决策树,随机森林,支持向量机,神经网络
b. 非监督式模型:聚类分析,因子分析,主成分分析
c. 半监督式模型
4. 数据分析的常用工具
a. R和Python
第二课:银行内客户流失预警模型的介绍(2课时)
1. 银行客群和产品的类别
2. 为什么要做客户流失预警模型
3. 数据介绍和描述
第三课:金融客户流失预警模型中的数据预处理和特征衍生(2课时)
1. 流失数据中的极端值和缺失值的处理
2. 构建流失行为的特征
第四课:GBDT模型在流失预警模型中的应用(2课时)
1. GBDT模型如何应用在金融客户流失预警模型中
2. 如何从客户流失数据中推导GBDT模型的参数
3. GBDT模型对防范客户流失的指导意义
第五课:神经网络模型在流失预警模型中的应用(2课时)
1. 神经网络模型如何应用在金融客户流失预警模型中
2. 如何从客户流失数据中推导神经网络模型的参数
3. 神经网络模型对防范客户流失的指导意义
4. 神经网络模型和GBDT模型在客户流失预警工作中的功效比较
第六课:信用卡账户违约预测模型的介绍(2课时)
1. 信贷违约的基本概念
2. 为什么要做违约预测模型
3. 信贷违约预测模型的特性
4. 数据介绍和描述
5. 非平衡样本问题的定义和解决方法
a. 过抽样和欠抽样
b. SMOTE算法
第七课:违约预测模型中的数据预处理和特征衍生(2课时)
1. 构建信用风险类型的特征
2. 特征的分箱
a. 分箱的优点
b. Best-KS分箱法和卡方分箱法
3. 特征信息度的计算
第八课:违约预测模型中的数据预处理和特征衍生(续,2课时)
1. 分箱后如何编码
a. WOE的概念、优点和计算
2. 信用风险中的单变量分析和多变量分析
第九课:逻辑回归模型在违约预测模型中的应用(2课时)
1. 逻辑回归在违约预测模型中的作用的概述
2. 降维的方法
a. 主成分法
3. 变量选择的方法
a. LASSO方法
b. 逐步回归法
c. 随机森林法
4. 带误判惩罚的逻辑回归模型
第十课:违约预测模型的评价标准(2课时)
1. 模型对违约与非违约人群的区分度
2. 模型的准确度衡量:
a. 尽可能抓住足够多的违约人群
b. 尽可能不误抓非违约人群