第一章 量化模型和数据挖掘介绍 - 1.1 课程概述 - 1.2 量化模型的优越性，以及模型开发和应用的基本步骤 - 1.3 量化模型在客户管理生命周期的应用 - 1.4 建模方法论：观察期与表现期 - 1.5 多变量因子的建模过程 - 1.6 样本的抽样、分组、整理以及变量的选择 - 1.7 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 - 1.8 逻辑回归模型、最大似然估计(MLE)、变量选择方法、缺失值处理 - 1.9 多重共线性的问题识别及处理 - 1.10 Odd Ratio(优势率)的定义以及和自变量的关系 - 1.11 增益表(Lift Table)、增益图(Lift Chart)和KS指标 - 1.12 如何判断模型是否存在过度拟合？ - 1.13 如何衡量模型运行的稳定？——PSI指数、Gini系数 - 1.14 对逻辑回归的改进：证据权重(WOE) - 1.15 银行在风险量化模型中用到了哪些数据？ - 1.16 大数据时代下，关于数据来源的考量 - 1.17 如何进一步提高模型准确性？——模型分组(以信用卡产品为例) - 1.18 决策树模型与神经网络模型 - 1.19 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 - 1.20 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 第二章 现代商业银行大数据量化模型体系及实例 - 2.1 商业银行业务的分类 - 2.2 量化模型在商业银行应用的意义 - 2.3 模型应用于审批准入，实现审批的自动化 - 2.4 案例：模型应用于差异化定价 - 2.5 案例：模型应用于审批额度的差异化策略 - 2.6 案例：模型在信用卡产品的生命周期管理中的应用 - 2.7 案例：模型应用于授信审批-富国银行10秒审批案例 - 2.8 案例：模型应用于富国银行ATM风险模型的案例 - 2.9 案例：平安银行新一贷产品运用模型自动筛选优质客户 - 2.10 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 - 2.11 案例：模型应用于早期风险预警策略 - 2.12 案例：客户流失模型 - 2.13 案例：SNA模型应用于对公客户 - 2.14 案例：模型应用于反欺诈 - 2.15 案例：互联网银行与互联网消费金融 - 2.16 决策引擎 - 2.17 大数据模型与普惠信贷流程 - 2.18 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 - 2.19 国内征信行业介绍 - 2.20 美国征信行业介绍