金融商业算法建模：基于Python和SAS

封面

版权信息

作者简介

前言

第1章 金融建模综述

1.1 企业中数据分析的层级

1.2 操作层面的数据分析对象与成果

1.3 数据挖掘方法分类介绍

1.3.1 预测性——有监督学习

1.3.2 描述性——无监督学习

1.4 数据挖掘方法论

1.5 数据挖掘建模框架的3个原则

1.6 利用SAS EM创建数据挖掘项目

1.6.1 创建数据挖掘项目

1.6.2 给项目添加逻辑库和数据集

1.6.3 SAS EM项目的系统文档介绍

第2章 决策类模型

2.1 客户价值预测

2.1.1 线性回归模型概述

2.1.2 Python案例：线性回归建模

2.1.3 多元线性回归的变量筛选

2.1.4 Python案例：多元线性回归变量筛选

2.1.5 模型假设检验

2.1.6 残差分析

2.1.7 强影响点分析

2.1.8 Python案例：线性回归调优实战

2.1.9 线性回归的完整流程小结

2.1.10 正则化

2.1.11 Python案例：岭回归与Lasso回归实战

2.2 营销响应预测

2.2.1 使用逻辑回归预测用户响应率

2.2.2 比较逻辑回归与线性回归

2.2.3 图解逻辑回归

2.2.4 逻辑回归算法概述

2.2.5 分类模型的评估

2.2.6 分类变量的处理

2.2.7 Python案例：逻辑回归建模实战

2.2.8 SAS EM案例：贷款违约预测实战

2.2.9 逻辑回归建模小结

2.3 细分画像

2.3.1 主成分分析

2.3.2 因子分析

2.3.3 变量聚类

2.3.4 样本聚类1——层次聚类

2.3.5 样本聚类2——K-Means聚类

2.4 交叉销售

2.4.1 关联规则

2.4.2 序列模式

第3章 识别类模型

3.1 申请反欺诈

3.1.1 决策树

3.1.2 组合算法

3.1.3 最近邻域法

3.1.4 朴素贝叶斯

3.1.5 支持向量机

3.1.6 神经网络

3.2 违规行为识别

3.2.1 孤立森林

3.2.2 局部异常因子

第4章 优化分析类模型

4.1 预测技术

4.1.1 效应分解法

4.1.2 基于动力模型的ARIMA

4.1.3 基于深度学习的LSTM

4.2 运筹优化

4.2.1 线性规划

4.2.2 整数规划

4.2.3 非线性规划

4.3 流程挖掘

4.3.1 业务流程挖掘的总体理念

4.3.2 流程发现

4.3.3 流程监控

4.3.4 流程遵循

4.3.5 Python案例：利用pm4py实现流程挖掘

第5章 模型评估与模型监控

5.1 模型评估

5.1.1 混淆矩阵

5.1.2 ROC曲线

5.1.3 KS统计量

5.1.4 洛伦兹曲线与基尼系数

5.2 模型监控

5.2.1 前端监控——业务指标

5.2.2 前端监控——评分分布稳定性

5.2.3 前端监控——特征分布稳定性

5.2.4 后端监控——评分正确性

5.2.5 后端监控——变量有效性

第6章 算法工程化

6.1 构建合理的项目工程结构

6.1.1 为什么要构建合理的项目工程结构

6.1.2 什么是一个数据科学项目应有的结构

6.2 如何编写规范的数据工程代码

6.2.1 代码可读性

6.2.2 数据处理性能