模块一 量化模型和数据挖掘介绍 01 课程概述 02 量化模型的优越性，以及模型开发和应用的基本步骤 03 量化模型在客户管理生命周期的应用 04 建模方法论：观察期与表现期 05 多变量因子的建模过程 06 样本的抽样、分组、整理以及变量的选择 07 变量的价值衡量方式——信息熵、IV值、卡方检验、秩和检验、相关系数 08 逻辑回归模型、最大似然估计(MLE)、变量选择方法、缺失值处理 09 多重共线性的问题识别及处理 10 Odd Ratio(优势率)的定义以及和自变量的关系 11 增益表(Lift Table)、增益图(Lift Chart)和KS指标 12 如何判断模型是否存在过度拟合？ 13 如何衡量模型运行的稳定？——PSI指数、Gini系数 14 对逻辑回归的改进：证据权重(WOE) 15 银行在风险量化模型中用到了哪些数据？ 16 大数据时代下，关于数据来源的考量 17 如何进一步提高模型准确性？——模型分组(以信用卡产品为例) 18 决策树模型与神经网络模型 19 进阶类模型与算法介绍一：聚类分析、社交网络模型、反欺诈模型 20 进阶类模型与算法介绍二：随机森林、卷积神经网络、机器学习、联邦学习 模块二 现代商业银行大数据量化模型体系及实例 21 商业银行业务的分类 22 量化模型在商业银行应用的意义 23 模型应用于审批准入，实现审批的自动化 24 案例：模型应用于差异化定价 25 案例：模型应用于审批额度的差异化策略 26 案例：模型在信用卡产品的生命周期管理中的应用 27 案例：模型应用于授信审批-富国银行10秒审批案例 28 案例：模型应用于富国银行ATM风险模型的案例 29 案例：平安银行新一贷产品运用模型自动筛选优质客户 30 案例：某金融集团针对电商客户群通过模型提供小额货款服务 31 案例：模型应用于早期风险预警策略 32 案例：客户流失模型 33 案例：SNA模型应用于对公客户 34 案例：模型应用于反欺诈 35 案例：互联网银行与互联网消费金融 36 决策引擎 37 大数据模型与普惠信贷流程 38 大数据相关概念介绍：数据仓库、数据字典、数据集市、BIS数据展示平台 39 国内征信行业介绍 40 美国征信行业介绍