目錄 序一 序二 前言 緒論 1 第一部分 機(jī)器學(xué)習(xí)及金融應(yīng)用 第1章 機(jī)器學(xué)習(xí)與金融科技應(yīng)用介紹 11 1.1 人工智能介紹.11 1.2 機(jī)器學(xué)習(xí)簡介.13 1.2.1 什么是機(jī)器學(xué)習(xí) 13 1.2.2 機(jī)器學(xué)習(xí)建模簡介 15 1.2.3 本節(jié)小結(jié) 17 1.3 機(jī)器學(xué)習(xí)大數(shù)據(jù)智能風(fēng)控應(yīng)用介紹 17 1.3.1 人工智能在金融機(jī)構(gòu)風(fēng)險管理中的應(yīng)用 18 1.3.2 深度學(xué)習(xí)算法將會被廣泛采用.19 1.3.3 大數(shù)據(jù)框架下的多種形態(tài)數(shù)據(jù)將會被廣泛應(yīng)用 21 1.3.4 基于網(wǎng)絡(luò)的知識圖譜（全息畫像）形成落地解決方案 21 1.3.5 聯(lián)邦學(xué)習(xí)方法將會大規(guī)模落地使用 22 1.3.6 人工智能方法在大數(shù)據(jù)風(fēng)控面臨的挑戰(zhàn) 22 1.4 本章小結(jié) 27 練習(xí)題 28 第2章 邏輯回歸 29 2.1 邏輯回歸原理 29 2.1.1 邏輯回歸簡介 29 2.1.2 分類原理 30 2.1.3 示例 33 2.2 基于最優(yōu)化方法的最佳回歸系數(shù)確定 33 2.2.1 最優(yōu)化問題 33 2.2.2 梯度下降法求解 34 2.2.3 模型的擬合優(yōu)度評估 35 2.3 模型評估 36 2.4 多分類問題 48 2.4.1 多次邏輯回歸 48 2.4.2 對邏輯回歸模型進(jìn)行擴(kuò)展 49 2.5 邏輯回歸評分卡 49 2.6 場景應(yīng)用 51 2.6.1 數(shù)據(jù)描述 52 2.6.2 模型建立與評估 52 2.6.3 評分卡生成 54 2.7 本章小結(jié) 58 練習(xí)題 59 第3章 決策樹 60 3.1 決策樹模型的原理 60 3.2 特征選擇 61 3.2.1 ID3 算法 62 3.2.2 C4.5 算法 63 3.2.3 CART 算法 64 3.2.4 不同決策樹算法的比較 65 3.3 示例 65 3.4 過擬合與剪枝 70 3.4.1 預(yù)剪枝 70 3.4.2 后剪枝 71 3.5 場景應(yīng)用 73 3.5.1 數(shù)據(jù)描述 73 3.5.2 模型建立與評估 73 3.6 本章小結(jié) 73 練習(xí)題 74 第4章 集成學(xué)習(xí)算法 75 4.1 隨機(jī)森林 76 4.1.1 隨機(jī)森林算法簡介 76 4.1.2 場景應(yīng)用 77 4.2 GBDT算法 78 4.2.1 GBDT算法簡介 78 4.2.2 GBDT算法流程 79 4.2.3 GBDT示例 82 4.2.4 Shrinkage策略 .88 4.2.5 場景應(yīng)用 88 4.3 XGBoost算法 89 4.3.1 XGBoost算法簡介 89 4.3.2 XGBoost分類算法 90 4.3.3 XGBoost回歸算法 100 4.3.4 XGBoost示例 100 4.3.5 場景應(yīng)用 132 4.4 本章小結(jié) 133 練習(xí)題 133 第5章 機(jī)器學(xué)習(xí)模型的可解釋性方法 135 5.1 可解釋性理論 135 5.1.1 可解釋性的重要性 135 5.1.2 可解釋性的分類 136 5.1.3 解釋的性質(zhì) 136 5.2 可解釋性方法 136 5.3 SHAP解釋法 137 5.4 LIME解釋法143 5.4.1 LIME算法特點 144 5.4.2 LIME實現(xiàn)步驟 144 5.4.3 LIME算法原理 144 5.5 SHAP與LIME解釋法的對比 145 5.6 本章小結(jié) 147 練習(xí)題 147 第6章 大數(shù)據(jù)風(fēng)控機(jī)器學(xué)習(xí)建模 148 6.1 標(biāo)簽設(shè)計 149 6.1.1 Vintage賬齡分析 149 6.1.2 滾動率分析 151 6.1.3 好/壞/不確定定義 152 6.2 數(shù)據(jù)清洗 152 6.2.1 缺失值處理 152 6.2.2 同值化處理 153 6.2.3 標(biāo)準(zhǔn)化處理 153 6.3 特征工程概述 154 6.3.1 特征變量分箱 154 6.3.2 變量WOE轉(zhuǎn)換 .155 6.3.3 IV值預(yù)測能力分析 155 6.3.4 相關(guān)性和關(guān)聯(lián)性分析 156 6.3.5 VIF方差膨脹因子分析 158 6.4 模型訓(xùn)練與評估 159 6.4.1 模型建立 159 6.4.2 參數(shù)優(yōu)化 159 6.5 模型驗證 159 6.5.1 模型穩(wěn)定性 159 6.5.2 模型區(qū)分能力 160 6.6 實證研究 162 6.6.1 數(shù)據(jù)來源與處理 162 6.6.2 特征工程 167 6.6.3 模型訓(xùn)練與評估 182 6.6.4 模型預(yù)測結(jié)果的解釋 186 6.6.5 可解釋性結(jié)果與樣本真實分布的對比 199 6.7 本章小結(jié) 201 練習(xí)題 201 第二部分 隱私保護(hù)和數(shù)據(jù)安全背景下的機(jī)器學(xué)習(xí)及金融應(yīng)用 第7章 同態(tài)加密機(jī)器學(xué)習(xí)建模 205 7.1 同態(tài)加密簡介 205 7.1.1 幾種主流全同態(tài)加密方案對比 206 7.1.2 CKKS加密方案應(yīng)用 207目 7.2 密文邏輯回歸模型構(gòu)建 208 7.2.1 雙方介紹 208 7.2.2 密文邏輯回歸的建模過程 208 7.2.3 密文邏輯回歸的預(yù)測過程 210 7.3 密文評分卡模型構(gòu)建 211 7.3.1 研究目的 212 7.3.2 數(shù)據(jù)要求 212 7.3.3 必備文件和源代碼 213 7.4 密文評分卡建模流程 214 7.4.1 雙方介紹 214 7.4.2 模擬數(shù)據(jù) 215 7.4.3 密文評分卡自動化建模流程 215 7.5 本章小結(jié) 217 附錄I 代碼流程操作詳解 217 練習(xí)題 227 第8章 聯(lián)邦學(xué)習(xí)建模 228 8.1 聯(lián)邦學(xué)習(xí)適用的場景 228 8.2 聯(lián)邦學(xué)習(xí)的分類 228 8.3 聯(lián)邦學(xué)習(xí)框架下的機(jī)器學(xué)習(xí)算法 230 8.3.1 縱向安全聯(lián)邦邏輯回歸 230 8.3.2 Secureboost 232 8.4 聯(lián)邦學(xué)習(xí)實證 234 8.4.1 Secureboost示例 .234 8.4.2 場景應(yīng)用 249 8.5 本章小結(jié) 253 練習(xí)題 254 第三部分 吉布斯抽樣算法的特征提取及場景應(yīng)用 第9章 吉布斯抽樣方法和特征提取框架介紹 257 9.1 吉布斯抽樣方法可以解決什么問題 257 9.2 邏輯回歸模型框架下的關(guān)聯(lián)特征的提取方法 259 9.3 實現(xiàn)吉布斯抽樣特征提取的算法框架 261 9.4 集成學(xué)習(xí)模型框架下的關(guān)聯(lián)特征提取步驟 263 9.5 本章小結(jié) 263 附錄 II 支持關(guān)聯(lián)特征提取的比值比指標(biāo)介紹 264 練習(xí)題 265 第10章 篩選刻畫FOF關(guān)聯(lián)風(fēng)險特征指標(biāo) 266 10.1 基金自身關(guān)聯(lián)風(fēng)險因素介紹 267 10.2 影響基金的其他相關(guān)因素 268 10.3 篩選FOF關(guān)聯(lián)特征的隨機(jī)搜索算法框架建立 269 10.3.1 金融產(chǎn)品（基金）業(yè)績相關(guān)特征提取的基本思路 269 10.3.2 非結(jié)構(gòu)性數(shù)據(jù)特征提取推斷算法框架 270 10.3.3 核心特征的提取與篩選 275 10.4 基于ROC曲線的AUC測試的特征表現(xiàn) 277 10.5 本章小結(jié) 283 練習(xí)題 283 第11章 篩選影響大宗商品價格變化的特征指標(biāo) 285 11.1 大宗商品價格因素相關(guān)背景介紹 286 11.2 期貨銅特征因子分析 288 11.2.1 大宗商品期貨銅價格數(shù)據(jù)介紹 288 11.2.2 預(yù)測大宗商品期貨銅價格變化趨勢的關(guān)聯(lián)特征因子 289 11.2.3 預(yù)測刻畫影響銅價格變化的特征因子 290 11.3 本章小結(jié) 293 附錄 III 支持特征提取的初始關(guān)聯(lián)特征因子表 293 練習(xí)題 297 第12章 篩選影響螺紋鋼期貨價格變化的關(guān)聯(lián)特征 298 12.1 螺紋鋼背景綜述 298 12.1.1 背景 298 12.1.2 影響螺紋鋼價格因素研究現(xiàn)狀簡述 299 12.2 影響螺紋鋼期貨價格的因素分析 300 12.2.1 螺紋鋼期貨價格影響因素分析 300 12.2.2 構(gòu)建初始特征池 301 12.2.3 影響螺紋鋼期貨價格的風(fēng)險特征提取與分析方法 304 12.2.4 刻畫螺紋鋼期貨價格變化實證分析 306 12.3 本章小結(jié) 312 練習(xí)題 313 第13章 篩選影響公司財務(wù)欺詐行為的關(guān)聯(lián)特征 315 13.1 公司財務(wù)欺詐行為背景介紹 315 13.2 公司財務(wù)欺詐行為的特征指標(biāo) 318 13.2.1 上市公司財務(wù)欺詐風(fēng)險特征介紹 318 13.2.2 特征提取方法簡介 319 13.3 建立全面刻畫公司財務(wù)欺詐的預(yù)警體系 320 13.3.1 案例分析 321 13.3.2 公司監(jiān)事關(guān)聯(lián)性 322 13.3.3 建立有效預(yù)測財務(wù)欺詐框架 323 13.4 本章小結(jié) 324 練習(xí)題 324 第14章 針對上市公司財務(wù)欺詐行為的評估.326 14.1 基于舞弊三角理論的咖啡館財務(wù)質(zhì)量評估 327 14.1.1 財務(wù)舞弊與財務(wù)欺詐 327 14.1.2 舞弊三角理論 327 14.2 常見舞弊類型討論 329 14.3 咖啡館財務(wù)質(zhì)量評估方法 330 14.3.1 基本思想陳述 330 14.3.2 核心指標(biāo) 331 14.4 針對上市公司財務(wù)舞弊案例分析 332 14.4.1 壓力與動機(jī) 332 14.4.2 機(jī)會與漏洞 333 14.4.3 態(tài)度與借口 334 14.4.4 結(jié)論和針對欺詐行為的特征刻畫討論 335 14.5 本章小結(jié) 336 練習(xí)題 337 第15章 篩選影響個人信用貸款的關(guān)聯(lián)特征 338 15.1 背景 338 15.2 數(shù)據(jù)來源 339 15.3 算法選�。篨GBoost與吉布斯算法的異同表現(xiàn) 339 15.4 篩選的數(shù)據(jù)結(jié)果與討論 340 15.5 本章小結(jié) 345 練習(xí)題 345 第16章 建立刻畫鄉(xiāng)村農(nóng)戶貧困狀態(tài)特征因子的篩選框架 346 16.1 背景 346 16.2 特征指標(biāo)篩選與分析流程框架建立思路 349 16.2.1 基礎(chǔ)指標(biāo)池的構(gòu)建 349 16.2.2 建立特征指標(biāo)篩選框架的基本思路 350 16.2.3 針對特征指標(biāo)的建模分析與甄別能力的有效性測試 350 16.3 支持特征提取的數(shù)據(jù)源樣本描述 351 16.3.1 提取刻畫鄉(xiāng)村農(nóng)戶貧困狀態(tài)特征的框架和分析 352 16.3.2 刻畫農(nóng)戶貧困狀態(tài)的特征指標(biāo)的篩選結(jié)果 .356 16.3.3 刻畫農(nóng)戶貧困狀態(tài)特征指標(biāo)甄別的有效性測試 357 16.4 結(jié)論的簡要解讀和討論建議 359 16.5 本章小結(jié) 361 附錄IV 描述農(nóng)戶貧困狀態(tài)特征指標(biāo)的基本定義和解釋 362 練習(xí)題 363 參考文獻(xiàn) 365 附錄 A 基于Python語言對幾種典型算法的基本功能代碼實現(xiàn) 376 A.1 線性回歸模型簡介 376 A.2 線性分類模型簡介 382 A.3 決策樹模型簡介 393 A.4 集成模型簡介 404 A.4.1 引導(dǎo)聚集 404 A.4.2 梯度提升 408 A.4.3 LightGBM的超參數(shù)調(diào)整 409 A.4.4 集成模型用于分類 411 A.4.5 總結(jié) 412 A.5 神經(jīng)網(wǎng)絡(luò)模型簡介 412 A.5.1 數(shù)據(jù)讀取 413 A.5.2 多分類邏輯回歸 416 A.5.3 分類模型的衡量 417 A.5.4 擬合不足與過擬合 419 A.6 深度學(xué)習(xí)介紹 433 A.6.1 近期人工智能熱潮的關(guān)鍵推動力 433 A.6.2 金融服務(wù): 工具賦能到知識賦能 435 A.6.3 基于深度學(xué)習(xí)的知識服務(wù) 435