金融商業算法建模：基於Python和SAS

前言

第1章　金融建模綜述1
11　企業中數據分析的層級1
12　操作層面的數據分析物件與成果4
13　數據挖掘方法分類介紹4
131　預測性—有監督學習5
132　描述性—無監督學習10
14　數據挖掘方2212
15　數據挖掘建模框架的3個原則14
16　利用SAS EM創建數據挖掘項目16
161　創建數據挖掘專案16
162　給專案添加邏輯庫和數據集20
163　SAS EM專案的系統文檔介紹26

第2章　決策類模型28
21　客戶價值預測28
211　線性回歸模型概述28
212　Python案例：線性回歸建模33
213　多元線性回歸的變數篩選40
214　Python案例：多元線性回歸變數篩選43
215　模型假設檢驗44
216　殘差分析48
217　強影響點分析49
218　Python案例：線性回歸調優實戰50
219　線性回歸的完整流程小結59
2110　正則化61
2111　Python案例：嶺回歸與Lasso回歸實戰65
22　行銷回應預測70
221　使用邏輯回歸預測使用者響應率70
222　比較邏輯回歸與線性回歸70
223　圖解邏輯回歸71
224　邏輯回歸演算法概述73
225　分類模型的評估75
226　分類變數的處理79
227　Python案例：邏輯回歸建模實戰80
228　SAS EM案例：貸款違約預測實戰88
229　邏輯回歸建模小結104
23　細分畫像104
231　主成分分析105
232　因數分析116
233　變數聚類127
234　樣本聚類1—層次聚類130
235　樣本聚類2—K-Means聚類136
24　交叉銷售165
241　關聯規則165
242　序列模式185

第3章　識別類模型195
31　申請反欺詐195
311　決策樹195
312　組合演算法228
313　2近鄰域法253
314　樸素貝葉斯257
315　支持向量機263
316　神經網路276
32　違規行為識別294
321　孤立森林296
322　局部異常因數304

第4章　優化分析類模型308
41　預測技術308
411　效應分解法309
412　基於動力模型的ARIMA317
413　基於深度學22LSTM333
42　運籌優化341
421　線性規劃342
422　整數規劃344
423　非線性規劃347
43　流程挖掘348
431　業務流程挖掘的總體理念348
432　流程發現352
433　流程監控353
434　流程遵循354
435　Python案例：利用pm4py實現流程挖掘355

第5章　模型評估與模型監控363
51　模型評估363
511　混淆矩陣363
512　ROC曲線363
513　KS統計量365
514　洛倫茲曲線與基尼系數366
52　模型監控368
521　前端監控—業務指標368
522　前端監控—評分分佈穩定性368
523　前端監控—特徵分佈穩定性370
524　後端監控—評分正確性371
525　後端監控—變數有效性372

第6章　演算法工程化374
61　構建合理的專案工程結構374
611　為什麼要構建合理的專案工程結構374
612　什麼是一個數據科學專案應有的結構375
62　如何編寫規範的數據工程代碼378
621　代碼可讀性379
622　數據處理性能381

附錄　SAS EM節點說明386

為何寫作本書

“工欲善其事，必先利其器。”

首先，當你考慮如何將數據應用到經營管理當中，如何從數據角度診斷業務發展中存在的問題，如何用數據指導業務發展，以及如何進行數據資產變現時，你會發現必須有一套數據加工工具以及可應用的工作流程作為支撐。當前市面上的數據分析工具十分豐富，有支援分散式運算的，有提供操作介面的，有免費開源的，有提供自動建模功能的，甚至兼而有之的。SAS EM與Python是其中十分優秀和流行的工具。SAS EM功能強大，操作簡便，自動化程度高；而Python應用範圍廣，框架豐富，使用靈活，編寫效率高。二者在分析過程中可以互相印證，在實際應用中可以互為補充。

其次，當前市面上有很多的數據建模分析書籍，絕大多數圖書的目錄組織方式無外乎兩種類型：一種是工具型，以介紹建模分析軟體、語言、框架為主；另一種是演算法型，以介紹模型演算法、調參、優化等為主。而以案例為主的建模分析圖書較少，且其中往往以演算法為主幹，配合行業典型案例進行講解。這樣的材料組織方式有助於開闊眼界，但容易“博而不專”，無法讓讀者將案例融入具體行業。對於具體行業的新手來說，一本以案例為主的金融垂直領域的演算法手冊會更有説明。

最後，數據建模分析的目的是服務業務。縱向來看，其縱貫業務經營的全流程，這需要我們使用一系列模型來支援獲客行銷、客戶畫像、價值預測、交叉銷售、風險控制、運籌優化、客戶維繫等工作；橫向來看，建模分析師要對接業務前端需求與後臺的應用部署，這就要求建模分析師不僅要懂業務、懂數據、懂模型，還要瞭解數據治理體系、工程化實現等，這對工作流程中的協同有重要作用。從這個角度看，市場上也需要能涵蓋分析框架、演算法案例、工程化實現的圖書。

鑒於以上原因，筆者認為需要寫一本專注于金融垂直領域、支援業務全流程需求、以業務引領的建模分析手冊，為廣大從業者的工作和學習提供便利。本書以Python和SAS EM為工具，致力於為熟悉金融業務的你打造一套工具範本，使你可以輕鬆地根據需求展開分析工作，並能對當前工作的上下游流程加深理解，以便更好地開展協同工作。