互联网金融中的交易反欺诈模型

互联网金融是新兴涌现出来的金融创新模式。它结合了成熟的互联网技术、电商消费和人工智能等手段，打破了传统线下银行的壁垒，在横向的广度和纵向的深度上都为传统金融机构带来了颠覆性的革新，为现代的融资、购物、支付等需求提供了强大的便利。同时，也由于互金平台中的实时性、快捷性和复杂性等特点，该领域也爆发了大量的欺诈行为，给互金机构带来及其严重的损失。过去的反欺诈手段主要以专家经验和规则为主。随着大数据、机器学习、深度学习等技术的发展，越来越多的互金平台将量化模型引入到反欺诈工作中农。本课程以消费金融领域的交易反欺诈为例，介绍如何将机器学习模型应用在反欺诈工作中，从而为互金平台识别欺诈、降低损失。

课程中将介绍常用的机器学习模型，包括元模型如逻辑回归、决策树、支持向量机等，以及集成模型如bagging、boosting和stacking等。课程结束后，学员将对量化模型在反欺诈领域中的应用有一定程度的掌握，可以在本部门中搭建基本的风控模型。

课程大纲：

第一课：python的介绍和入门

1)        python语法

2)        pandas，numpy，statsmodels，sklearn等常用包

第二课：数据分析建模的准备工作

1)        业务背景

2)        数据清洗

3)        特征工程

4)        数据可视化

第三课：建模的预备知识

1)        损失函数

2)        参数估计

3)        性能评价

第四课：逻辑回归模型的介绍

1)        逻辑回归模型的简介

2)        逻辑回归模型的参数估计

第五课：逻辑回归模型在反欺诈中的应用

1)        逻辑回归模型的特征处理

2)        逻辑回归模型的结果解读

第六课：支持向量机模型的介绍

1)        支持向量机模型的原理

第七课：支持向量机模型在反欺诈中的应用

1)        支持向量机模型的应用

第八课：机器学习中的集成模型

1)        元模型与集成模型

2)        集成的方式：bagging，boosting与stacking

第九课：决策树与随机森林及其应用

1)        决策树模型

2)        随机森林模型

3)        随机森林的应用

4)        特征重要性评估

第十课：GBDT模型及其应用

1)        GBDT模型的原理

2)        GBDT模型的应用

3)        特征重要性评估

第十一课：集成模型中的stacking方法

1)        多模型的stacking

第十二课：反欺诈业务中的衍生问题

1)        无监督模型与半监督模型

2)        聚类模型

3)        非平衡样本的处理方法

授课时间：