格子大法与换入换出分析

       做风控策略的时候,大家应该都听说过这两个词。格子法就是用画列联表的方式来进行交叉变量分析,一般用于两个评分之间的交叉;换入换出又叫Swap Set分析,用于对比新旧策略的差异,详细介绍可以参看求是汪知乎:《利用Swap Set分析风控模型更替的影响》。

       本文是我前几天在番茄的一份培训课件中看到的案例,讲解的是用格子法对白名单筛选策略进行调整,并通过换入换出来分析策略调整的影响。

目录

一、格子大法

二、换入换出

三、其它

一、格子大法

       首先,通过一些硬规则和软规则筛选出白名单客群,并剔除近60天人行查询客群,选定B卡分>640分为cutoff,得到老白名单。现需要加入一个大额现金贷准入评分,来替换软规则,通过换出高风险客群换入低风险客群的方法来达到增加白名单范围的目的。

      如上图,图中第一个表格是分数交叉后的个数比例情况,第二个表格是分数交叉后的风险情况。以B卡分大于640分对应的边际风险1.9%进行换入换出。图中黄色部分为新白名单换入的部分,灰色部分为新白名单换出的部分。因此新白名单应为白色区域+黄色区域。新的策略如下:

(Bscore>660&大额现金分>620)且(Bscore介于640和659之间&大额现金分>

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
回溯法马步遍历问题的复杂度分析需要考虑以下几个因素: 1. 棋盘的大小:设棋盘大小为 $n \times m$,则遍历问题的规模为 $nm$。 2. 起始位置的选择:由于马的走法具有对称性,因此可以假设起始位置为 $(0, 0)$,并对其它起始位置进行对称处理。这样可以减少起始位置的选择,但并不会影响问题的复杂度。 3. 马的走法:每个格子可以选择的下一个格子最多有 $8$ 个,因此每个格子最多需要尝试 $8$ 次才能找到一个可行的下一个格子。 4. 剪枝优化:在实际的实现中,可以使用一些剪枝优化来减少回溯的次数,例如可以按照下一个格子能够到达的未访问过的格子数量从小到大进行排序,这样可以优先选择能够到达较少未访问过的格子的下一个格子。 根据以上因素,回溯法马步遍历问题的复杂度可以分析如下: - 时间复杂度:设棋盘大小为 $n \times m$,则回溯法马步遍历问题的时间复杂度为 $O(8^{nm})$,因为每个格子最多需要尝试 $8$ 次才能找到一个可行的下一个格子,而遍历所有格子需要尝试的次数是指数级别的。 - 空间复杂度:回溯法马步遍历问题的空间复杂度取决于递归调用栈的深度,即最多需要保存 $nm$ 个格子的信息。因此空间复杂度为 $O(nm)$。 需要注意的是,由于回溯法马步遍历问题的时间复杂度是指数级别的,因此对于较大的棋盘来说,回溯法是无法在合理的时间内得到解决的。在实际应用中,需要考虑使用其它更加高效的算法来解决马步遍历问题。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值