基于用户行为数据的互联网消费金融风险控制
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 引言 | 第8-11页 |
| 1.1 互联网消费金融发展现状 | 第8-9页 |
| 1.2 互联网消费金融的风险控制 | 第9-11页 |
| 第二章 消费金融风险管理之—信用循环过程 | 第11-13页 |
| 2.1 风控产品设计 | 第11页 |
| 2.2 前期授信 | 第11-12页 |
| 2.3 账户维护 | 第12页 |
| 2.4 账户催收与核销 | 第12-13页 |
| 第三章 消费金融风险管理之—信息管理系统 | 第13-22页 |
| 3.1 运营型报表 | 第14-16页 |
| 3.2 管理型报表 | 第16-20页 |
| 3.2.1 基础信息数据—账户信息表 | 第17页 |
| 3.2.2 账户动态信息—消费订单表 | 第17-19页 |
| 3.2.3 账户动态信息—分期账单表 | 第19-20页 |
| 3.3 决策型报表 | 第20页 |
| 3.4 常用的指标解释 | 第20-22页 |
| 第四章 消费金融风险管理之—信用风险评分卡 | 第22-35页 |
| 4.1 关于消费金融信用风险评分卡 | 第22页 |
| 4.2 数据预处理 | 第22-25页 |
| 4.2.1 变量类型 | 第23页 |
| 4.2.2 监测和报告 | 第23-24页 |
| 4.2.3 数据来源 | 第24页 |
| 4.2.4 数据校准 | 第24页 |
| 4.2.5 完整性检验 | 第24-25页 |
| 4.3 EDA与数据描述 | 第25-26页 |
| 4.3.1 单变量统计量 | 第25页 |
| 4.3.2 变量分布 | 第25-26页 |
| 4.3.3 特征分析 | 第26页 |
| 4.3.4 极端值的识别 | 第26页 |
| 4.4 模型开发 | 第26-31页 |
| 4.4.1 聚类算法 | 第26-28页 |
| 4.4.2 分类算法之SVM | 第28-30页 |
| 4.4.3 分类算法之随机森林 | 第30-31页 |
| 4.5 Logistic回归 | 第31-32页 |
| 4.6 评分卡创建、刻度和实施 | 第32-33页 |
| 4.7 模型评估 | 第33-35页 |
| 第五章 结果解读 | 第35-43页 |
| 5.1 20 个用户群说明 | 第35-36页 |
| 5.2 30 天以上逾期率 | 第36-39页 |
| 5.2.1 逾期30天以上的账户比率解读 | 第36-38页 |
| 5.2.2 逾期30天以上的余额比率解读 | 第38-39页 |
| 5.3 活跃率考察 | 第39-41页 |
| 5.3.1 授信—激活比率解读 | 第39-40页 |
| 5.3.2 激活—使用比率解读 | 第40-41页 |
| 5.3.3 使用—逾期比率解读 | 第41页 |
| 5.4 模型实证小结 | 第41-43页 |
| 第六章 总结与展望 | 第43-44页 |
| 参考文献 | 第44-46页 |
| 致谢 | 第46页 |
