内容介绍
这是一本从业务和技术双重视角解读数智化风控的著作，是企业界和学术界强强合作的重要成果。
本书贯穿风控全链路，深度剖析了各业务环节所面对的核心风险，以及基于数据资源和智能技术来管控多重风险的解决方案。除了介绍通常关注的贷前、贷中、贷后风险管理，本书还讨论了反欺诈、反洗钱、特殊名单管理、多头风险管控等其他类型风险的应对方案，以及基于联邦学习的数据孤岛打通、基于关系网络的数据挖掘与风险建模等前沿方案。
与同类书相比，本书以更完整的体系涵盖了营销、准入、授信、定价、定额、监控、处置等各个环节，以更开阔的视野涉及了信用、欺诈、洗钱等各类风险，以更丰富的维度拆解了核心业务的场景、问题、数据、技术和解决方案，既是对一线技术与业务实践经验的总结，也是对当下解决方案发展趋势的概括。
（1）头部科技公司资深风控专家：总结了行业内多家头部公司在大数据智能风控领域的宝贵经验。
（2）产学研紧密结合：除多位业界资深风控专家外，来自西南财经大学的统计与数据科学教授也参与了创作，分享了跨界视野和前沿技术。
（3）围绕金融风控全链路：以解决实际问题为导向，深度剖析风控全链路各环节的核心风险，以及应对这些风险的智能风控技术、算法和解决方案。
（4）站在风控技术前沿：通过解读大量国际前沿学术论文等手段，呈现风控领域前沿技术及其趋势，如联邦学习和关系网络等领域的新进展等。
前 言
为什么要写这本书
金融是一个既传统又极具创新性的领域。金融风控作为信贷产品的核心竞争力，逐渐被如火如荼的大数据和人工智能技术所影响、改变、重塑。然而，在神秘的行业面纱下，目前只有较少头部企业在不同场景下探索和挖掘大数据风控技术的潜力，学界也少有学者在了解和开展相关研究工作。
大数据技术使更多用户能够享受到与之匹配的信贷服务。在相对落后的工具下，信贷产品若无法精准识别客户逾期风险、偿债能力，往往会陷入两种极端。一种是采用偏保守型策略，对于优质客户，给予过度的授信，而对于潜力客户，则拒之门外；另一种是采用激进型策略，对于识别不准的客户也进行准入，但是又缺乏匹配的风控能力，只能通过继续授信来掩盖风险指标，助长了部分客户过度消费的不良习惯，甚至给整个市场带来不可控的风险。优秀的信贷服务应该是给予不同偿债能力的客户与之匹配的额度上限，并给予不同逾期风险的客户与之匹配的定价，帮助客户对资金进行合理的重分配。
大数据技术能够更准确地识别出客户的资金需求，匹配对应的信贷服务。金融行业常用“晴天送伞”来形容不佳的信贷服务，即对不需要资金的客户提供高额度，反而把缺乏资金的客户拒之门外。这就是典型的客户需求识别不准问题，而基于大数据风控技术可以有效地匹配客户真正需要的信用额度，避免无效地扩大敞口额度，徒增系统性风险。
大数据技术能够降低信贷服务所产生的运营成本，从而提高社会化资金分配的效率。基于大数据技术更精准和更加自动化的需求识别、风险识别、偿债能力识别，风控体系决策高效、规模效应强，可有效降低信贷机构作为服务提供方的运营成本，有利于更多地让利于客户，实现普惠金融。这对于小微企业客户尤为有用。融资难一直是小微企业的核心痛点之一，满足小微企业的经营需求可以激发更大的市场活力。
我们希望本书可以为更多的大数据技术从业者、在校学生揭开智能风控领域的面纱，让其能够结合所学的先进大数据技术设计出更具变革性的风控体系和风控方法论，乃至投身大数据风控这一极具前景的领域，加速行业变革。我们希望通过展示我们在大数据风控领域的实践和思考（包括业务、数据、算法方面），为更多的金融从业者提供一些灵感，或者规避一些风险。我们希望本书能够抛砖引玉，吸引更多有兴趣的人加入大数据风控的讨论和研究当中，为我国经济的繁荣昌盛添砖加瓦。
读者对象
本书适合对大数据技术、风控领域有浓厚兴趣的读者阅读，包括但不限于：
金融领域从业者；
企事业单位的数字化技术领导或专家；
数理相关专业的在校学生，如统计学、计算机、人工智能、金融等专业的学生；
从事人工智能、大数据相关领域研究工作的学者。
本书特色
过去，人们关于智能风控领域的讨论往往偏向于对某种风险类型进行技术介绍与实战展示，例如用Python代码讲如何构建风控评分卡，如何构建反欺诈模型。本书从更高的视野、更全面的维度、更深入的业务场景、更前沿的风控技术等方面，讲述全链路大数据风控体系的构成和核心关注点，有利于读者更清晰地认识和理解风控。
更高的视野：从信贷产品的全链路出发，讲述大数据风控体系下各个环节的核心关注问题和有效的解决思路。
更全面的维度：包含信贷产品的信用风险、额度定价、欺诈风险、洗钱风险等全方位的决策视角。
更深入的业务场景：深入剖析贷前准入、贷中管理、贷后运营等多个核心环节所面临的难题，以及业界可行的切入方式。
更前沿的风控技术：介绍因果推断、关系网络、联邦学习等与风控能力息息相关的新技术。
如何阅读本书
本书分为7篇。
第一篇 开篇（第1章）：从风控的起源出发，概述了大数据带来的变化和未来的发展方向。
第二篇 获客（第2和3章）：讲述了获客中的客群划分和广告获客模型。
第三篇 授信（第4～6章）：讲述了信贷评分卡工具，如何构建申请评分体系，如何做额度与定价管理。
第四篇 贷中管理（第7章）：讲述了贷中风险管理、额度管理等精细化管理模型。
第五篇 贷后管理（第8～10章）：讲述了贷后评分体系、贷后运营体系、不良资产定价。
第六篇 其他典型风险的防控（第11～14章）：讲述了反欺诈、反洗钱、特殊名单管理、多头借贷风险的防控。
第七篇 风控新技术（第15和16章）：讲述了基于联邦学习解决数据孤岛问题的思路，以及基于关系网络的风险建模。
勘误和支持
由于作者水平有限，书中难免会出现一些错误或者表述不准确的地方，恳请读者批评指正。联系邮箱：yangkai188@jd.com。
作者简介
黄志翔
京东科技风险管理中心副总经理、智能模型部负责人、京东科技技术委员会委员、中国人民大学“营销管理-数据科学”实验班企业家导师。致力于将大数据与人工智能技术应用于风控，助力普惠金融的发展，获得国家发明专利20余项，发表学术论文10余篇，带领团队构建开源项目UTBoost，多次获得京东科技集团技术之星等科技创新类奖项。
杨恺
京东科技风控模型高级经理、京东博士管培生、中国科学院大学通信与信息系统博士，现负责京东小微与供应链金融产品的智能风控模型体系建设。研究兴趣广泛，曾在边缘人工智能、联邦学习、因果推断等技术领域提出领先算法，在国际顶级期刊和会议上发表论文20余篇。
郑邦祺
京东科技高级经理，先后负责了京东金条、白条等多个产品的精准营销、信用风控和反欺诈等相关场景的模型体系建设，涵盖产品全链路，从获客、贷前审批、贷中管理到贷后运营，以及反欺诈、反洗钱等环节。擅长深度学习、复杂网络、异常检测等多种机器学习方法，热衷于数据挖掘以及算法的跨领域优化实践。
周凡吟
西南财经大学统计学院教授、博士生导师、应用统计硕士教育中心执行主任、四川省高层次人才、四川省学术与技术带头人后备人选，先后毕业于英国曼彻斯特大学、剑桥大学、帝国理工学院，曾任职美国花旗银行伦敦总部量化交易分析部门。主要研究领域包括信用风险评估、企业生存风险分析、复杂网络数据挖掘等，主持主研国家级基金项目6项，在国际顶级刊物上发表论文10余篇，长期致力于促进学术与产业的有效融合，深度参与了多个普惠金融、金融监管、数字政府的政产学研项目，沉淀出关键技术成果与专利50余项。
李可
西南财经大学统计学院副教授、博士生导师、数据科学系主任、四川省高层次人才，曾任职美国谷歌公司和瑞士诺华集团，主要从事数据科学、人工智能、金融科技、精准医学、粮食安全、能源经济、环境政策等交叉领域的研究与教学工作，致力于推动政产学研深度融合、联合培养数智化人才，形成了国家级一流课程、四川省高阶课程、四川省一流课程等成果。
目 录?Contents
推荐序
前言
第一篇 开篇
第1章 信贷风控概述 3
1.1 信贷风控的起源与发展 3
1.2 大数据带来的变化 7
1.3 智能信贷的发展方向 10
第二篇 获客
第2章 客群划分 15
2.1 客群划分简介 15
2.1.1 客群划分的含义及意义 15
2.1.2 传统客群划分方法 16
2.1.3 信贷客群划分的挑战 17
2.2 基于大数据的客群划分 18
2.2.1 画像标签体系 18
2.2.2 构建画像的关键步骤 19
2.3 客群划分案例 21
2.3.1 “新中产”客群划分 21
2.3.2 母婴客群划分及潜在客群
识别 24
第3章 信贷产品获客 28
3.1 获客与广告 28
3.1.1 在线广告 29
3.1.2 在线广告的博弈关系和
协调机制 31
3.1.3 在线广告的实时竞价
机制 34
3.2 金融信贷产品获客 35
3.3 基于联邦学习和多任务学习的
建模方法 37
3.3.1 联邦学习模型打破数据
壁垒 37
3.3.2 多任务学习模型充分利用
全链路信息 38
第三篇 授信
第4章 信贷评分卡工具 43
4.1 信贷风控决策链路 43
4.1.1 风控决策链路与数字化
工具 43
4.1.2 信贷评分卡及其关注点 45
4.2 信贷评分卡的开发和应用 45
4.2.1 模型设计 46
4.2.2 模型训练 54
4.2.3 分数校准 60
4.2.4 模型评估 61
4.2.5 模型监控 65
第5章 申请评分体系 67
5.1 贷前风控与申请评分卡 67
5.1.1 贷前风控场景 67
5.1.2 申请评分卡 68
5.2 智能申请评分卡体系 69
5.2.1 整合客户全域信息 69
5.2.2 增强实时信息利用 70
5.2.3 挖掘多模态数据 71
5.2.4 申请评分体系的监控 71
5.2.5 模型稳定性问题和应对
措施 72
5.3 特殊场景：面向小微企业
信贷的申请评分卡 75
5.3.1 小微企业的定义 76
5.3.2 小微企业风险评估的难点 77
5.3.3 解决思路：基于多源数据的
小微企业评分卡开发 78
第6章 定价与定额 81
6.1 信贷产品的定价与定额 81
6.1.1 信贷产品风险定价简介 81
6.1.2 信贷产品风险定价具体
模式 83
6.1.3 信贷产品风险定额简介 85
6.2 基于最优决策的定价与定额 86
6.2.1 最优决策模型 86
6.2.2 模型的数学表达 87
6.2.3 模型训练与预测 90
6.2.4 样本偏差问题 92
6.2.5 有条件约束时的最优决策 93
6.3 最优决策模型的效果评估 96
6.3.1 评估的难点 96
6.3.2 离线评估方法 98
6.3.3 线上实验设计 99
第四篇 贷中管理
第7章 贷中评分体系 105
7.1 贷中管理简介 105
7.1.1 贷中场景与业务 105
7.1.2 贷中精细化管理 107
7.2 贷中管理模型体系 108
7.2.1 风险管理模型 108
7.2.2 额度管理模型 111
7.2.3 特殊场景模型 112
7.2.4 模型评估体系 112
7.3 分客群贷中管理 114
第五篇 贷后管理
第8章 贷后评分体系 119
8.1 贷后管理简介 119
8.1.1 贷后场景与业务 119
8.1.2 贷后分期和协商 121
8.1.3 贷后评分卡体系 122
8.2 滚动预测评分卡 123
8.2.1 传统滚动预测评分卡 123
8.2.2 跨期滚动预测评分卡 125
8.2.3 跨期滚动预测评分卡
运营 129
8.3 多模态数据融合技术赋能贷后
评分 130
8.3.1 贷后语音文本数据的记录
和挖掘 131
8.3.2 语音文本多模态数据的
应用 132
8.3.3 语音文本多模态模型应用
场景 134
第9章 贷后运营体系 136
9.1 贷后运营业务场景 136
9.1.1 贷后运营的主要目标 136
9.1.2 贷后运营的业务流程 137
9.1.3 贷后运营的重要指标 138
9.1.4 贷后运营的主要挑战 139
9.2 贷后智能化运营体系 139
9.2.1 贷后智能化运营体系
简介 140
9.2.2 智能分案 141
9.2.3 智能作业 143
9.3 贷后智能化运营的工程
实现 145
9.3.1 贷后运营调度系统简介 145
9.3.2 贷后运营调度系统设计 146
第10章 不良资产定价 149
10.1 不良资产发行与交易 149
10.1.1 不良资产市场现状 149
10.1.2 不良资产证券化发行 151
10.1.3 不良资产转让与收购 151
10.1.4 不良资产定价 152
10.2 数据驱动的不良资产定价
方法 153
10.2.1 静态池与资产池的数据
准备 153
10.2.2 基于客户分群的不良资产
定价方法 155
10.2.3 基于债项的不良资产定价
方法 156
第六篇 其他典型风险的防控
第11章 反欺诈 161
11.1 欺诈与反欺诈 161
11.1.1 互联网欺诈的特性 161
11.1.2 黑色产业链 162
11.1.3 常见欺诈场景 165
11.2 反欺诈体系 165
11.2.1 在线反欺诈体系的
构成 166
11.2.2 风险行为的全面感知 168
11.2.3 风险交易的准确识别 169
11.2.4 反欺诈体系的常用
算法 170
11.3 营销场景反欺诈案例 174
11.3.1 事前风险感知 174
11.3.2 事中交易止损 175
11.3.3 事后案件分析 175
第12章 反洗钱 177
12.1 洗钱与反洗钱 177
12.1.1 国内外反洗钱形势 178
12.1.2 互联网金融反洗钱 179
12.2 反洗钱风险防控体系 180
12.2.1 反洗钱风险防控体系
简介 180
12.2.2 洗钱风险监控方法 18
书单推荐
