金融商業(yè)算法建模：基于Python和SAS

前言
第1章　金融建模綜述1
11　企業(yè)中數(shù)據(jù)分析的層級1
12　操作層面的數(shù)據(jù)分析對象與成果4
13　數(shù)據(jù)挖掘方法分類介紹4
131　預測性—有監(jiān)督學習5
132　描述性—無監(jiān)督學習10
14　數(shù)據(jù)挖掘方法論12
15　數(shù)據(jù)挖掘建?？蚣艿?個原則14
16　利用SAS EM創(chuàng)建數(shù)據(jù)挖掘項目16
161　創(chuàng)建數(shù)據(jù)挖掘項目16
162　給項目添加邏輯庫和數(shù)據(jù)集20
163　SAS EM項目的系統(tǒng)文檔介紹26
第2章　決策類模型28
21　客戶價值預測28
211　線性回歸模型概述28
212　Python案例：線性回歸建模33
213　多元線性回歸的變量篩選40
214　Python案例：多元線性回歸變量篩選43
215　模型假設檢驗44
216　殘差分析48
217　強影響點分析49
218　Python案例：線性回歸調優(yōu)實戰(zhàn)50
219　線性回歸的完整流程小結59
2110　正則化61
2111　Python案例：嶺回歸與Lasso回歸實戰(zhàn)65
22　營銷響應預測70
221　使用邏輯回歸預測用戶響應率70
222　比較邏輯回歸與線性回歸70
223　圖解邏輯回歸71
224　邏輯回歸算法概述73
225　分類模型的評估75
226　分類變量的處理79
227　Python案例：邏輯回歸建模實戰(zhàn)80
228　SAS EM案例：貸款違約預測實戰(zhàn)88
229　邏輯回歸建模小結104
23　細分畫像104
231　主成分分析105
232　因子分析116
233　變量聚類127
234　樣本聚類1—層次聚類130
235　樣本聚類2—K-Means聚類136
24　交叉銷售165
241　關聯(lián)規(guī)則165
242　序列模式185
第3章　識別類模型195
31　申請反欺詐195
311　決策樹195
312　組合算法228
313　最近鄰域法253
314　樸素貝葉斯257
315　支持向量機263
316　神經(jīng)網(wǎng)絡276
32　違規(guī)行為識別294
321　孤立森林296
322　局部異常因子304
第4章　優(yōu)化分析類模型308
41　預測技術308
411　效應分解法309
412　基于動力模型的ARIMA317
413　基于深度學習的LSTM333
42　運籌優(yōu)化341
421　線性規(guī)劃342
422　整數(shù)規(guī)劃344
423　非線性規(guī)劃347
43　流程挖掘348
431　業(yè)務流程挖掘的總體理念348
432　流程發(fā)現(xiàn)352
433　流程監(jiān)控353
434　流程遵循354
435　Python案例：利用pm4py實現(xiàn)流程挖掘355
第5章　模型評估與模型監(jiān)控363
51　模型評估363
511　混淆矩陣363
512　ROC曲線363
513　KS統(tǒng)計量365
514　洛倫茲曲線與基尼系數(shù)366
52　模型監(jiān)控368
521　前端監(jiān)控—業(yè)務指標368
522　前端監(jiān)控—評分分布穩(wěn)定性368
523　前端監(jiān)控—特征分布穩(wěn)定性370
524　后端監(jiān)控—評分正確性371
525　后端監(jiān)控—變量有效性372
第6章　算法工程化374
61　構建合理的項目工程結構374
611　為什么要構建合理的項目工程結構374
612　什么是一個數(shù)據(jù)科學項目應有的結構375
62　如何編寫規(guī)范的數(shù)據(jù)工程代碼378
621　代碼可讀性379
622　數(shù)據(jù)處理性能381
附錄　SAS EM節(jié)點說明386