第一課：基本知識複習（2課時）
   1.   的基本概念
      a.  目的
      b.  資料獲取和清理
      c.  資料的描述性統計與視覺化
   2.  資料分析的常用模型
      a.  監督式模型：（廣義），決策樹，隨機森林，支援向量機，
      b.  非監督式模型：分析，因子分析，主成分分析
第二課：銀行信貸客戶的聚類分析－非監督式聚類（2課時）
   1.  數值型變數的歸一化
   2.  類別型變數的編碼
   3.  距離的概念和種類
   4.  閔可夫斯基距離
   5.  VDM(Value Difference Metric)距離
   6.  聚類的效能度量
      a.  Davies-Bouldin Index
      b.  Dunn Index
   7.  K-均值演算法的難題：如何選取k
第三課：銀行信貸客戶的聚類分析－非監督式聚類（續）（2課時）
   1.  資料描述
   2.  資料預處理的實操：歸一化與編碼
   3.  K-均值演算法用於信貸客戶的聚類分析
   4.  層次聚類法用於信貸客戶的聚類分析
第四課：銀行信貸客戶的聚類分析－半監督式聚類（2課時）
   1.  半監督聚類
a.  約束K-均值演算法
   2.  帶有少量標籤的K-均值演算法
第五課：行為評分卡模型的簡介（2課時）
   1.  個人信貸產品的簡介及其中的各類風險
   2.  什麼是評分卡模型
   3.  信用風險領域的評分卡模型
         a.  申請評分卡
         b.  行為評分卡
         c.  催收評分卡
   4.  評分卡模型的時間視窗概念
         a.  表現期
         b.  觀察期
5.  擴充：PD模型與巴塞爾協議
第六課：行為評分卡模型的特徵構造（2課時）
   1.  訓練集和測試集的劃分
   2.  特徵構造
a.  逾期型別特徵
         b.  還款率型別特徵
c.  使用率型別特徵
d.  消費型別特徵
e.  其他型別特徵
   3.  變數的分箱和WOE計算
第七課：行為評分卡模型的特徵挑選（2課時）
   1.  IV的概念
   2.  單變數分析
   3.  多變數分析
   4.  線性相關性
   5.  多重共線性
第八課：行為評分卡模型的邏輯迴歸模型（2課時）
   1.  邏輯迴歸模型的基本概念
         a.  什麼是邏輯迴歸
         b.  邏輯迴歸中的引數估計
         c.  邏輯迴歸的正則化：LASSO（L1約束） & Ridge（L2約束）
   2.  用邏輯迴歸構造行為評分卡模型
   3.  從機率到分數
第九課：行為評分卡模型的驗證、監控和調優（2課時）
   1.  評分卡模型常用的評價指標
         a.  KS
         b.  AR
         c.  PSI
         d.  Kendal’s Tau
   2.  Assigned PD & Actual PD
   3.  模型監控的概念
      a.  模型監控的頻率
      b.  模型監控的解讀
   4.  模型的調優
第十課：組合評分卡模型（2課時）
   1.  組合模型概述
   2.  序列結構的評分組合模型
   3.  異態並行結構的評分組合模型
   4.  同態並行結構的評分組合模型

第一期：
課程大綱：
第一講：資料分析基本知識複習（2課時）
   1.  資料分析的基本概念
         a.  目的
         b.  資料獲取和清理
         c.  資料的描述性統計
   2.  資料視覺化
   3.  資料分析的常用模型
         a.  監督式模型：（廣義）線性迴歸，決策樹，隨機森林，支援向量機，神經網路
         b.  非監督式模型：聚類分析，因子分析，主成分分析
         c.  半監督式模型
   4.  資料分析的常用工具
         a.  R和
第二課：銀行內客戶流失預警模型的介紹（2課時）
   1.  銀行客群和產品的類別
   2.  為什麼要做客戶流失預警模型
   3.  資料介紹和描述
第三課：金融客戶流失預警模型中的資料預處理和特徵衍生（2課時）
   1.  流失資料中的極端值和缺失值的處理
   2.  構建流失行為的特徵
第四課：GBDT模型在流失預警模型中的應用（2課時）
   1.  GBDT模型如何應用在金融客戶流失預警模型中
   2.  如何從客戶流失資料中推導GBDT模型的引數
   3.  GBDT模型對防範客戶流失的指導意義
第五課：神經網路模型在流失預警模型中的應用（2課時）
   1.  神經網路模型如何應用在金融客戶流失預警模型中
   2.  如何從客戶流失資料中推導神經網路模型的引數
   3.  神經網路模型對防範客戶流失的指導意義
   4.  神經網路模型和GBDT模型在客戶流失預警工作中的功效比較
第六課：信用卡賬戶違約預測模型的介紹（2課時）
   1.  信貸違約的基本概念
   2.  為什麼要做違約預測模型
   3.  信貸違約預測模型的特性
   4.  資料介紹和描述
   5.  非平衡樣本問題的定義和解決方法
         a.  過抽樣和欠抽樣
         b.  SMOTE演算法
第七課：違約預測模型中的資料預處理和特徵衍生（2課時）
   1.  構建信用風險型別的特徵
   2.  特徵的分箱
         a.  分箱的優點
         b.  Best-KS分箱法和卡方分箱法
   3.  特徵資訊度的計算
第八課：違約預測模型中的資料預處理和特徵衍生（續，2課時）
   1.  分箱後如何編碼
         a.  WOE的概念、優點和計算
   2.  信用風險中的單變數分析和多變數分析
第九課：邏輯迴歸模型在違約預測模型中的應用（2課時）
   1.  邏輯迴歸在違約預測模型中的作用的概述
   2.  降維的方法
         a.  主成分法
   3.  變數選擇的方法
         a.  LASSO方法
         b.  逐步迴歸法
         c.  隨機森林法
   4.  帶誤判懲罰的邏輯迴歸模型
第十課：違約預測模型的評價標準（2課時）
   1.  模型對違約與非違約人群的區分度
   2.  模型的準確度衡量：
         a.  儘可能抓住足夠多的違約人群
         b.  儘可能不誤抓非違約人群

更多職業培訓，請點選

介紹金融資料分析技術如何應用在銀行業營銷部門

相關文章