![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
金融风控建模系列内容
文章平均质量分 76
从那开始
分享风控领域的专业知识
展开
-
【金融风控建模系列】数据篇(补充)
之前有提到过不同客群坏账率不一致的问题,坏账率差距过大将导致客群差距过大,差距较大的客群在不同特征上的表现必然也会不一样并最终会反应到模型上。这张图反应的是不同特征在各个客群上的IV值(信息价值),可以观察到同一特征在不同客群上的IV值可能存在很大的差异。如果坏账率很小,且样本数量足够,可以选择适当减少“0”样本,从而提升坏账率。若观察到模型在某个客群的表现比较差,直接添加相应客群的表现最好的原数据到样本中是否就可以?所以,在进行多客群样本融合之前,需要额外对数据做一些处理,减小不同客群的差异带来的影响。原创 2024-03-27 16:30:06 · 321 阅读 · 0 评论 -
【金融风控建模系列】数据篇(一)
第二章分为两部分。第一部分告诉阐明如何获取数据,第二部分阐明如何选择合适的数据。本篇文章是第二章的第一部分,主要介绍利用Python从数据库(MySQL)获取数据,并把数据进行保存。原创 2024-03-10 17:28:39 · 405 阅读 · 0 评论 -
【金融风控建模系列】数据篇(二)
第二章第一部分围绕数据的存取过程展开,介绍了如何利用python从数据库中抽取数据,并按照客群进行分类。本章是数据章节的第二部分,该部分将介绍如何从原始数据中找出适合建模的数据。原创 2024-03-15 15:00:18 · 1029 阅读 · 0 评论 -
【金融风控建模系列】特征篇(一)
本部分将介绍如何获取合适的多客群样本。这里需要先解答一个问题,为什么还需要做多客群的融合,一个单客群如果表现很好,是否可以直接应用?答案是:可以,但是我们回到挑选样本的初衷,再思考一下。实际场景中,一个成熟的风控模型要尽可能预测多个情况,基于客群的复杂性及不稳定性,任何模型不可能可以维持很久的时间,必须及时适应近期数据。若数据由尽可能多的客群组成,则更可能会覆盖多种情况,模型也更可能保持稳定。原创 2024-03-21 11:36:22 · 1112 阅读 · 0 评论 -
【金融风控建模系列】基础篇
自从进入智能手机时代,伴随人们生活质量的提升,消费也需求越来越大。消费不再局限于线下,取而代之的线上消费慢慢成为主流…交易转移到线上,风险就不可避免。最典型的就是信用卡消费,每个人会根据自己的“表现”获得一个额度,人们只能在这个额度下进行消费,借款人需在截止日期之前把钱还上,否则将面临失信问题。这在建模(系列文章中的风控建模均只局限于金融领域)中就是常说的“坏客户”。那我们为什么要进行风控建模?如果出现坏客户,之后不借给他不就可以了。原创 2024-03-06 18:31:58 · 1133 阅读 · 0 评论