当前位置：首页 > news >正文

【新书速递】金融商业算法建模手册

news 来源：原创 2024/5/2 11:56:01

前言

PREFACE

为何写作本书？

工欲善其事，必先利其器。

一方面，当你考虑如何将数据应用到经营管理当中，如何从数据角度诊断业务发展中存在的问题，如何以数据指导业务发展，乃至于如何进行数据资产变现，你会发现必须有一套数据加工工具以及可应用的工作流程来支撑你的工作。而当前市面上的数据分析挖掘工具十分丰富，有支持分布式计算的、有提供操作界面的、有开源免费的、有提供自动建模功能的，甚至是兼而有之的。其中SAS EM与Python是这些工具当中十分优秀和流行的成员：SAS EM功能强大，操作简便，自动化程度高；而Python应用范围广，框架丰富，使用灵活，编写效率高，二者在学习过程中可以互相印证，在实际应用中可以互为补充。

第二方面，当前市面上有丰富的数据分析建模相关书籍，绝大多数书籍的目录组织方式属于两种类型：一是工具型，以介绍分析建模软件、语言、框架为主；二是算法型，以介绍模型算法、调参、优化等为主。其中以案例为主的建模分析书籍本就较少，且其中往往以算法为主干，配合行业典型案例进行讲解。这样的材料组织方式有助于扩宽眼界，但同时造成的一个问题在于行业上的“博而不专”，例如：如何将著名的“啤酒与尿布”案例算法应用到金融产品包制定？或者如何将“泰坦尼克生存分析”案例应用到金融反欺诈中？对于具体的行业来说，一本以案例为主的、金融垂直领域算法手册对新手来说会更有帮助。

第三方面，数据建模分析的目的是为了服务业务，纵向来看，其纵贯业务经营的全流程，这需要我们使用一系列模型来支持获客营销、客户画像、价值预测、交叉销售、风险控制、运筹优化、客户维系等工作；横向来看，建模分析师要对接业务前端需求与后台的应用部署，这就要求建模分析师不单单要懂业务、懂数据、懂模型，对于数据治理体系、工程化实现等也需要多学习了解。从这个角度看，市场上也需要能涵盖分析框架、算法案例、工程化实现的书籍，这对工作流程中协同有重要作用。

鉴于以上原因，笔者认为需要一本专注于金融垂直领域、支持业务全流程需求、以业务引领的建模分析手册，为广大从业者提供工作和学习中的便利。本书以Python以及SAS EM作为工具，致力于为熟悉金融业务的你打造一套工具模板，使你可以轻松地根据需求展开分析工作，并能对当前工作的上下游流程加深理解，以便更好地开展协同。

本书主要内容

本书内容主要包括：

（1）金融数据挖掘的九大分析模板

从业务需求的角度出发，探讨统计建模、机器学习模型在金融领域的应用，包括营销响应、信用评分、细分画像、交叉销售、申请反欺诈、违规行为识别、预测技术、运筹优化、流程挖掘等方面，形成模板化的工作流，对于模型算法也会做重点描述，方便读者理解模型本身，并能在实际工作中进行使用。

（2）实操案例

主要涉及SAS EM以及Python分析建模的实操，我们将介绍如何结合案例背景形成分析思路，以及在面对特定问题时的模型调优；另一方面介绍工具的基本使用，以使得不熟悉SAS EM和Python的读者能够快速进入状态。

（3）算法工程化

本部分为编程新手构建良好的代码工程结构和编写优雅的工程代码提供建议。

本书读者对象

本书主要面向从事金融行业的广大业务分析师、咨询师、数据建模师、算法工程师，同样适合有志于从事金融行业的在校学生和数据建模分析爱好者。数据分析建模在金融行业的应用历史悠久，相关研究十分深入，因此对于从事电商、通信、传统贸易、制造等行业从业者来说也有着重要的借鉴价值。

本书内容特色

本书更多地从提供业务应用场景的角度来组织内容结构，意在更加贴近业务，而非单纯进行算法罗列。经过与业内专家的反复探讨，本书在行业应用中提取了价值最大、最常用的9类场景，力图为不同场景构建数据应用的最佳实践。涉及的算法不仅仅局限于传统统计分析，也结合金融业务的需求将机器学习、深度学习的前沿方法进行解构，并提供丰富的示例代码以方便读者借鉴。本书不仅仅适用于数据分析建模的新手，对于已经有一定经验，并希望能构建金融建模分析全景视图的读者也会有帮助，读者可以根据工作需求，在本书基础上进行深入研究与实践。

如何阅读本书

本书定位于一本“手册”，这意味着你可以根据需求单独查阅相关章节的内容，不过笔者仍然建议你在空闲时间通读本书，不仅仅因为本书涉及的算法存在一定的前后的关联性，也是为了在大脑中构建一套商业分析的工作全流程。当你拥有充足的时间并希望建立完整的阅读计划，那笔者建议你合理分配时间将本书读多遍：

第一遍

快速通读形成印象。这一步其实非常重要，当你能够在大脑中构建本书的一个大致的体系框架，意味着你已经能够理解金融建模分析的工作内容和要求，也便于后续在本书中快速定位所需的解决方案。这一步中，涉及的算法公式、程序代码可以暂时跳过。

第二遍

第二遍，选择性的精读相关章节，具体选择哪部分取决于你工作中遇到的实际问题，只有结合实践才能更好地理解并发散你的思维。精读意味着需要耗费时间研究业务问题的特点、数据特征和模型细节，一方面最好能结合你的实际数据进行扩展，另一方面在某些重点难点上不可避免地需要阅读大量相关参考资料进行佐证。同时，本书虽然不是纯粹的编程技术书籍，但代码仍然非常重要，并且使用了多个数据建模分析框架，尤其对于新手来说，一定不要只是“跑”代码，而是要“敲”代码，你会发现哪怕只是照抄一遍，也会对你有很大帮助。

第三遍

最后，当你发现本书的内容对你有帮助后，笔者建议你再次通读全篇，并关注其中的一些细节，例如数学公式、参数调优等，这将能够帮助你提升对模型的理解，并更好地运用模型。需要注意的是自然语言永远也比不上数学语言表述地精确，因此建议读者尽量去结合数学公式来理解模型。

技能是从不断重复中得来的，我们可以通过一些技巧在减少重复次数的情况下更快地掌握技能，但根本上，重复是掌握技能的唯一有效手段。共勉！