在针对黑产的风险控制中，如何找到有效的风险控制方法一直是个难题。笔者结合自身经验，为大家提供了两个切入点:一是基于业务流程思考风险控制方法，二是基于治理流程思考风险控制方法。 这篇文章将会从产品和运营管理视角，针对风控的方法和手段可以进行分析阐述，目的主要就是将多年与黑
01 背景和问题 目前，模型开发的流程越来越规范化，通常可以分为业务分析、样本准备、特征工程、模型构建、模型评估及监控这几个步骤。其中，特征工程和模型构建在建模的整个流程中依然非常耗时，并且非常依赖于模型开发者对业务的理解及数据处理的能力。 在目前实际业务场景下，面临的最
引言 一年多没更新博客了，具体说说这一年干了啥。12.26考完研，然后开始准备写毕设，弄复试。幸运的是上岸了，毕设也结束了。写这篇博客缘由是说一下自己还活着，开始学习了。另一个原因就是简单介绍一下我的毕设（不公开）。 正文 我的毕设是“基于金融风控平台知识图谱的构建”，主要就是构建
导读： 众所周知，信息时代下的数据就是能源，就是生产力。但是面对海量、纷繁的数据，特别是在金融领域，如何充分地利用数据是核心问题。本次分享主要想和大家一起探讨下，在金融风控场景下，如何通过数据对齐模型和业务目标，哪些数据、方法可以应用于风控模型，通过哪些指标可以正确地评估模型
神经网络测试 import numpy as npimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data#载入数据集mnist = input_data.read_data_sets('C:/Users/CHANYING/Desktop/huadabing/data/bankloan.xls', one_hot=True)#每个批次的大小batch_size=100#计
代码1 import pandas as pd from sklearn.model_selection import train_test_split from keras.models import Sequential from keras.layers.core import Dense, Activation from keras.layers import Activation,Dense,Dropout import numpy as np inputfile = './ban
神经网络 import pandas as pd from keras.models import Sequential from keras.layers.core import Dense, Activation import numpy as np # 参数初始化 inputfile = 'D:/数据挖掘Python/data/bankloan.xls' data = pd.read_excel(inputfile) x_test = data.iloc[:,:8].value
背景描述： 以数据bankloan.xls，前8列作为x，最后一列为y，建立银行风控模型。采用三种算法模型分别得到训练的结果，训练的误差以及混淆矩阵。 一、BP神经网络 混淆矩阵可视化函数cm_plot： def cm_plot(y, yp): from sklearn.metrics import confusion_matrix cm = confusion_matrix(
Bp神经网络:import pandas as pd import numpy as np #导入划分数据集函数 from sklearn.model_selection import train_test_split #读取数据 datafile = './data/bankloan.xls'#文件路径 data = pd.read_excel(datafile) x = data.iloc[:,:8] y = data.iloc[:,8] #划分数据集 x
一、用神经网络Sequential（序贯模型）搭建 import pandas as pd import numpy as np #导入划分数据集函数 from sklearn.model_selection import train_test_split #读取数据 datafile = 'D:\桌面\data(1)'#文件路径 data = pd.read_excel(datafile) x = data.iloc[:,:8] y = data.i
一、神经网络建模 #神经网络预测import pandas as pd import numpy as np# 参数初始化filename=r'data\bankloan.xls' data=pd.read_excel(filename)x=data.iloc[:,:8].valuesy=data.iloc[:,8].values # 获取二分类数据from keras.models import Sequentialfrom keras.layers.
一、决策树 代码如下： # -*- coding: utf-8 -*- """ Created on Sun Mar 27 00:01:20 2022 @author: dd """ import pandas as pd # 参数初始化 filename ='D:/ISS/anaconda/bankloan.xls' data = pd.read_excel(filename) # 导入数据 x = data.il
Python微信订餐小程序课程视频 https://edu.csdn.net/course/detail/36074 Python实战量化交易理财系统 https://edu.csdn.net/course/detail/35475 李建威。2017年7月以春招实习生的身份加入去哪儿网，毕业后一直在从事抓取与反抓取相关工作，先后负责搭建过智能打码、设备指纹
本文整理自 Akulaku 反欺诈团队在 nMeetup·深圳场的演讲，B站视频见：https://www.bilibili.com/video/BV1nQ4y1B7Qd 这次主要来介绍下 Nebula 在 Akulaku 智能风控的实践。分为以下 6 个部分内容： 图的基本概念与应用场景概述 图数据库选型 图数据库平台建设 Nebula 应用案例 图
上采样/下采样 下采样，对于一个不均衡的数据，让目标值(如0和1分类)中的样本数据量相同，且以数据量少的一方的样本数量为准。上采样就是以数据量多的一方的样本数量为标准，把样本数量较少的类的样本数量生成和样本数量多的一方相同，称为上采样。 下采样 获取数据时一般是从分类样本
一、华锐平台简介 1、华锐平台简介 当前机构业务崛起、券商财富管理转型如火如荼，华锐金融技术提供了集成统一接入网关、机构交易系统、实时风控平台、高速行情、交易总线、开发测试云服务等功能，从规划到落地，从设计到实施，从软件到服务，从硬件到链路的机构交易风控整体交付解决方案
Task4 建模与调参 此部分为零基础入门金融风控的 Task4 建模调参部分，带你来了解各种模型以及模型的评价和调参策略，欢迎大家后续多多交流。 赛题：零基础入门数据挖掘 - 零基础入门金融风控之贷款违约预测 项目地址：https://github.com/datawhalechina/team-learning-data-mining
在模型圈内有这么一句俗话， “特征决定了模型的上限， 而算法只是逼近这个上限”，由此可见特征工程在风控建模中的重要程度。 特征工程的本质是基于原始数据的信息提炼， 风控场景中的很多数据源， 单独来看可能和风险表现关联性并不强，但是加工成特征后， 却会与我们想要预测的目标产生紧
我们说了好几期的风控建模了，也有不少的同学私信我说一般来说我们需要怎么确定Y值呢？，到底多坏的逾期表现的客户可以被我们定义为坏客户呢？今天这篇文章，就给大家介绍一个大家既熟悉又陌生的分析工具——Vintage Analysis（账龄分析）和Roll Rate Analysis（滚动率分析），希望对大家有一定
较早前，番茄风控有一篇介绍偏长期产品的如何做坏账预估的方法： 《基于移动平均ANR算法的各种资产指标》 文章里面介绍过如何使用移动平均ANR来计算资产，今天我们再跟大家介绍这种基于时间序列的移动加权平均的方法来预估坏账。相信这一内容也是年底年初，各位风控同学非常关注的内
序言： 在金融信贷产品场景中，风控始终是整个产品流程的重心，风控模块的体系架构与决策效果直接影响到产品的业务收益。本文通过信贷产品的年终工作总结形式，介绍下风控策略与模型的开发、应用等内容，主要通过以下几个维度进行分析与展示，分别为策略规则、评分模型、决策矩阵、风控
写交易系统，不是一件简单的事。交易中的种种事件，都可能带来巨大的风险。 １. 行情风险。不是每一笔行情都是可信的，当 卖出价、买入价、最新价出现一个非正常的数字时，对你的内部交易逻辑是不是有破坏性的冲击？ ２. 交易风险。如果柜台软件没有及时相应你的订单，系统是否会不断地重复发
关注“金科应用研院”，回复“CSDN” 领取“风控资料合集” 聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。 聚类分析的一个重要用途就是针对目标群体进行多指标的群体划分。对目标群体的分类是为了精细化经营，个性化运营的基础和核心，只有进行了
ADAMoracle是最早推出广域节点喂价的多链去中心化预言机，建立了一整套基于广域节点参与报价的安全风控机制，将预言机喂价的安全性和精准性做到行业领先，开创了新一代“人人皆可参与喂价”的预言机3.0时代。 ADAMoracle采用广域节点价格机制，可实现无界星际网络计算。大量的节点价格信
担心这个问题的朋友肯定是第一次买号打新首先登录coinlist需要的是邮箱 绑定的是谷歌验证器 这两块捏在自己手里谁也奈何不了你认证人是不知道这个平台的 如果知道coinlist打新这么好 也不可能把自己信息给到你 所以大可放心被找回但是账号隐患就是被平台风控 为什么被风控？
