金融商业算法建模：基于Python和SAS

　　这是一本贯穿金融业务经营全流程，以业务为驱动的金融数据挖掘与建模著作，涵盖分析框架、模型算法、模型评估、模型监控、算法工程化等整个数据建模的闭环。本书的4位作者都是在金融领域有有多年工作经验的大数据专家，不仅技术功底深厚、业务经验丰富，而且对金融行业从业者的需求痛点和图书市场的供给情况有深入了解，他们通过精心策划和写作，让本书内容独树一帜：涵盖金融业务经营全流程，全部以业务驱动，包含大量针对具体场景的实战案例。本书针对决策类、识别类、优化分析类3大主题，9大模板：客户价值预测、营销响应预测、细分画像、交叉销售、申请反欺诈、违规行为识别、预测、运筹优化、流程挖掘，详细讲解了每个模板算法原理、评估方法、优化方法和应用案例等，内容上极力做到准确、明晰、直观与实用。此外，本书还对数据科学项目中比较容易被忽视的内容做了补充，包括模型评估、模型监控、算法工程化，能指导读者构建易读、高效、健壮的数据科学工程。本书坚持理论与实践相结合，通过图形、示例、公式帮助读者快速掌握算法与优化理论的同时，还打造了一套可轻松适配各种分析场景与需求的工具模板，力图帮助读者从理论快速跨越到实践。

暂缺《金融商业算法建模：基于Python和SAS》作者简介

前言
第1章　金融建模综述1
11　企业中数据分析的层级1
12　操作层面的数据分析对象与成果4
13　数据挖掘方法分类介绍4
131　预测性—有监督学习5
132　描述性—无监督学习10
14　数据挖掘方法论12
15　数据挖掘建模框架的3个原则14
16　利用SAS EM创建数据挖掘项目16
161　创建数据挖掘项目16
162　给项目添加逻辑库和数据集20
163　SAS EM项目的系统文档介绍26
第2章　决策类模型28
21　客户价值预测28
211　线性回归模型概述28
212　Python案例：线性回归建模33
213　多元线性回归的变量筛选40
214　Python案例：多元线性回归变量筛选43
215　模型假设检验44
216　残差分析48
217　强影响点分析49
218　Python案例：线性回归调优实战50
219　线性回归的完整流程小结59
2110　正则化61
2111　Python案例：岭回归与Lasso回归实战65
22　营销响应预测70
221　使用逻辑回归预测用户响应率70
222　比较逻辑回归与线性回归70
223　图解逻辑回归71
224　逻辑回归算法概述73
225　分类模型的评估75
226　分类变量的处理79
227　Python案例：逻辑回归建模实战80
228　SAS EM案例：贷款违约预测实战88
229　逻辑回归建模小结104
23　细分画像104
231　主成分分析105
232　因子分析116
233　变量聚类127
234　样本聚类1—层次聚类130
235　样本聚类2—K-Means聚类136
24　交叉销售165
241　关联规则165
242　序列模式185
第3章　识别类模型195
31　申请反欺诈195
311　决策树195
312　组合算法228
313　最近邻域法253
314　朴素贝叶斯257
315　支持向量机263
316　神经网络276
32　违规行为识别294
321　孤立森林296
322　局部异常因子304
第4章　优化分析类模型308
41　预测技术308
411　效应分解法309
412　基于动力模型的ARIMA317
413　基于深度学习的LSTM333
42　运筹优化341
421　线性规划342
422　整数规划344
423　非线性规划347
43　流程挖掘348
431　业务流程挖掘的总体理念348
432　流程发现352
433　流程监控353
434　流程遵循354
435　Python案例：利用pm4py实现流程挖掘355
第5章　模型评估与模型监控363
51　模型评估363
511　混淆矩阵363
512　ROC曲线363
513　KS统计量365
514　洛伦兹曲线与基尼系数366
52　模型监控368
521　前端监控—业务指标368
522　前端监控—评分分布稳定性368
523　前端监控—特征分布稳定性370
524　后端监控—评分正确性371
525　后端监控—变量有效性372
第6章　算法工程化374
61　构建合理的项目工程结构374
611　为什么要构建合理的项目工程结构374
612　什么是一个数据科学项目应有的结构375
62　如何编写规范的数据工程代码378
621　代码可读性379
622　数据处理性能381
附录　SAS EM节点说明386