信贷风控

信贷模型域——智能风控建模业务与数据本文全面深入探讨了金融智能风控建模，涵盖评分卡建模原理、零售信贷业务与风险管理、数据基础及特征工程等关键领域。首先阐述模型的系统性理解，涵盖机器学习、数据挖掘、数据分析与统计分析等多领域知识，强调其在风险模型构建中的重要性。接着聚焦零售信贷业务，详细分析产品特征、业务流程、信用与信用风险管理，为建模提供业务背景。数据基础部分，从数据的系统性认识、基本特征、常见问题到质量诊断，为模型构建提供数据支撑。最后，深入探讨特征工程在信贷风险特征引用中的应用，包括数据处理、特征预处理与转换、提取与生成、评价与降维等环

风控域——信贷风控知识图谱实战本文深入探讨了信贷风控知识图谱的构建与实战应用。首先解析了风控域的业务流程，涵盖风控授信、反欺诈与反洗钱等业务。接着详细阐述了风控业务知识图谱系统的设计，包括授信、反欺诈与反洗钱知识图谱设计。重点介绍了风控域知识图谱构建流程，从业务需求定义到知识抽取、清洗、存储、查询设计，再到推理构建与可视化平台搭建，最后总结了知识图谱在风控领域的应用价值，如反欺诈、客户关系分析等，并探讨了图数据库在金融信贷领域的作用、知识图谱技术架构、应用场景、数据量级挑战、查询优化方法以及数据更新策略等关键问题。

Python数据分析案例79——基于征信数据开发信贷风控模型虽然模型基本都是表格数据那一套了，算法都没什么新鲜点，但是本次数据还是很值得写个案例的，有征信数据，各种，个人，机构，逾期汇总.....

Python数据分析案例61——信贷风控评分卡模型(A卡)（scorecardpy 全面解析）虽然在效果上，传统的逻辑回归模型通常不如现代的机器学习模型，但在风控领域，解释性至关重要。逻辑回归的解释性是这些“黑箱”模型所无法比拟的，因此，研究传统的评分卡模型依然是有意义的。传统的评分卡模型与机器学习模型的主要差异在于特征工程的处理。机器学习模型通常不需要对数据进行大幅度的调整，而传统评分卡模型则需要对数据进行分箱、编码、计算WOE（Weight of Evidence）等处理。

Python数据分析案例57——信贷风控模型预测评估及其可解释性(shap, scorecardpy包应用)在信贷风控场景下，其实模型的可解释性就变得很重要。在平时做一些普通的机器学习的案例的时候，我们根本不关心这些变量是怎么究竟影响到模型最后的决策的，随便直接把数据丢进去，再把要预测的数据丢进去就能出结果。但是在信贷模型下，每一个决策都得很谨慎，不然的话会造成极大的损失。因此需要把握好模型的对每一个特征的可解释性。

我是有底线的