在全球数字经济时代，有一种金融优势，那就是基于消费者大数据的纯信用！

我们不妨称之为数据信用，它比抵押更靠谱，它比担保更保险，它是一种面向未来的财产权，它是数字货币背后核心的抵押资产，它决定了数字货币时代信用创造的方向、速度和规模。数据信用判断依靠的就是金融风控模型。

风控模型是怎么搭建的？风控模型应该采用什么算法？风控模型是互联网大咖描述的那么无所不能吗？模型有哪些坑？模型质量一定可靠吗？

欢迎各位朋友了解《python信用评分卡建模视频系列教程（附代码）》 ：

腾讯课堂

https://ke.qq.com/course/3063615?tuin=dcbf0ba

网易云课堂

https://study.163.com/course/introduction.htm?courseId=1005214003&_trace_c_p_k2_=d97c968a3c1942168f1ba0328f29c0ed

课程目录

章节1前言章节1Python环境搭建课时1 建评分卡模型，python，R，SAS谁最好？课时2 Anaconda快速入门指南课时3 Anaconda下载和安装课时4 canopy下载和安装课时5 Anaconda Navigato导航器课时6 python安装第三方包：pip和conda install课时7 Python非官方扩展包下载地址课时8 Anaconda安装不同版本python课时9 jupyter1_为什么使用jupyter notebook？课时10 jupyter2_jupyter基本文本编辑操作课时11 如何用jupyter notebook打开指定文件夹内容？课时12 jupyter4_jupyter转换PPT实操课时13 jupyter notebook用matplotlib不显示图片解决方案

章节2 python编程基础知识课时14 Python文件基本操作课时15 变量_表达式_运算符_值课时16 字符串string课时17 列表list课时18 程序的基本构架（条件，循环）课时19 数据类型_函数_面向对象编程课时20 python2和3的区别课时21 编程技巧和学习方法

章节3 python机器学习基础课时22 UCI机器学习常用数据库介绍课时23 机器学习书籍推荐课时24 如何选择算法课时25 机器学习语法速查表课时26 python数据科学常用的库课时27 python数据科学入门介绍(选修)

章节4 德国信用评分数据下载和介绍课时28 35德国信用评分数据下载和介绍

章节5信用评分卡开发流程（上）课时29 评分卡开发流程概述课时30 第一步：数据收集课时31 第二步：数据准备课时32 变量可视化分析课时33 样本量需要多少？课时34 坏客户定义课时35 第三步：变量筛选课时36 变量重要性评估_iv和信息增益混合方法课时37 衍生变量05:01课时38 第四步：变量分箱01:38

章节6信用评分卡开发流程（下）课时39 第五步：建立逻辑回归模型课时40 odds赔率课时41 woe计算课时42 变量系数课时43 A和B计算课时44 Excel手动计算坏客户概率课时45 Python脚本计算坏客户概率课时46 客户评分课时47 评分卡诞生-变量分数计算课时48 拒绝演绎reject inference课时49 第六步：模型验证课时50 第七步：模型部署课时51 常见模型部署问题

章节7 Python信用评分卡-逻辑回归脚本课时52 Python信用评分卡脚本运行演示课时53 描述性统计脚本_缺失率和共线性分析课时54 woe脚本(kmean分箱)课时55 iv计算独家脚本课时56 Excel手动推导变量woe和iv值课时57 评分卡脚本1（sklearn）课时58 评分卡脚本2（statsmodel）课时59 生成评分卡脚本课时60 模型验证脚本

章节8PSI(population stability index)稳定指标课时61 拿破仑远征欧洲失败/华尔街股灾真凶-PSI模型稳定指标揭秘课时62 excel推导PSI的计算公式课时63 PSI计算公式原理_独家秘密课时64 PSI的python脚本讲解

章节9难点1_坏客户定义课时65 坏客户定义错误，全盘皆输课时66 不同场景坏客户定义不一样，坏客户定义具有反复性课时67 坏客户占比不能太低课时68 vintage源于葡萄酒酿造课时69 vintage用于授信策略优化

章节10难点2_woe分箱课时70 ln对数函数课时71 excel手动计算woe值课时72 python计算woe脚本课时73 Iv计算推导课时74 woe正负符号意义课时75 WOE计算就这么简单？你想多了课时76 Kmean算法原理课时77 python kmean实现粗分箱脚本课时78 自动化比较变量不同分箱的iv值课时79 woe分箱第三方包脚本

章节11难点3_逻辑回归是最佳算法吗？课时80 逻辑回归是最优算法吗？No课时81 xgboost_支持脚本下载课时82 随机森林randomForest_支持脚本下载课时83 支持向量SVM_支持脚本下载课时84 神经网络neural network_支持脚本下载课时85 多算法比较重要性_模型竞赛，百万奖金任你拿

章节12难点4_变量缺失数据处理课时86 imputer-缺失数据处理课时87 xgboost简单处理缺失数据课时88 catboost处理缺失数据最简单

章节13难点5.模型验证课时89 模型需要验证码？课时90 商业银行资本管理办法(试行)课时91 模型验证_信用风险内部评级体系要求课时92 模型验证主要指标概述课时93 交叉验证cross validation课时94 groupby分类统计函数课时95 KS_模型区分能力指标课时96 混淆矩阵（accuracy,precision，recall，f1 score）新增课时   模型排序能力-lift提升图

章节14难点6.逻辑回归调参课时97 菜鸟也能轻松调参课时98 调参1_Penalty正则化选择参数课时99 调参2_classWeight类别权重课时100 调参3_solver优化算法选择参数课时101 调参4_n_jobs课时102 L-BFGS算法演化历史课时103 次要参数一览

章节16 风控管理和诈骗中介（选修）课时104 网络信贷发展史课时105 诈骗中介课时106 风控管理课时107 告别套路贷，高利贷，选择正确贷款方式

章节17 2018-2019消费金融市场行情课时108 揭秘：近年消费金融火爆发展根本原因课时109 持牌照消费金融公司盈利排行榜课时110 消费金融，风控技术是瓶颈课时111 谁能笑到最后：2018-2019消费金融公司注册资本课时112 萝卜加大棒：中央政策趋势独家预测课时113 信用是金融交易的基石_P2P倒闭潮秘密

章节18 2018-2019年全球宏观经济课时114 专家不会告诉你的秘密：美元和黄金真实关系课时115 宏观经济主要指标：债务率和失业率课时116 2019年中国宏观经济分析_赠人民银行发布2018n年中国金融稳定报告课时117 2019年G20国家宏观经济信息汇总_供下载课时118 全球系统金融风险课时119 基尼系数_贫富差异指标课时120 GDP_利率_通货膨胀课时121 失业率_债务率课时122 贸易差额_中美贸易战根本原因课时123 信用评级_阿根廷金融危机独家解读

 为什么需要风控模型？

风控模型目的将银行风险最小化并将利润最大化。贷款有风险，如果用户借钱不还或故意骗贷，银行就会有损失。风控模型作用就是识别这些借钱不还用户，然后过滤掉这些坏用户。这样银行放款对象基本是优质客户，可以从中赚取利息，从而达到利润最大化，风险最小化。

为了从银行的角度将损失降到最低，银行需要制定决策规则，确定谁批准贷款，谁不批准。 在决定贷款申请之前，贷款经理会考虑申请人的人口统计和社会经济概况。

德国信贷数据包含有关20个变量的数据，以及1000个贷款申请者被认为是好信用风险还是坏信用风险的分类。 这是指向德国信用数据的链接（右键单击并另存为）。 预期基于此数据开发的预测模型将为银行经理提供指导，以根据他/她的个人资料来决定是否批准准申请人的贷款。

风控历史

世界上最早的银行出现在意大利。 最早的银行是意大利1407年在威尼斯成立的银行。当然类似于银行的机构可能存更早存在。只要有银行，就会有风险控制和管理，即风控。早期风控包括对借贷人资质审核和账户核实。

随着金融业发展，贷款流程逐渐完善，包括下图流程

2000-2008后，全球逐步进入大数据时代，随着用户数据整合，诞生央行征信，公安人脸数据，芝麻信用分，同盾分，聚信立蜜罐分，百度黑中介分等参考数据。银行，消费金融公司，小额贷公司可以利用大数据建模，利用机器智能决策代替绝大部分人工审核，缩短信贷流程，减少贷款风险，实现利润最大化。

现代大数据时代的风控部门主要分为贷前，贷中和贷后管理三个板块。

信用危机时代的信用评分卡

20世纪后，银行业飞速发展。随着我国居民消费心理发生改变和各大商家诱导性消费，不少朋友越来越依赖超前消费了。我国14亿人口，消费群体庞大，各类产品也有着很大的市场，于是现在的消费信贷市场成了很多银行或者其他机构发力的方向。根据央行公布的数据来看，商业银行发行的信用卡数量继续扩张，但在“滥发”信用卡的背后，逾期坏账不断增加也成了银行头疼问题。

信用卡逾期半年以上坏账突破900亿

近日，央行公布了三季度支付体系的运行报告，从央行公布的数据来看，我国商业银行发行的信用卡数量、授信总额以及坏账总额均在保持增长。

数据显示，截至今年三季度末，我国商业银行发行的信用卡（包括借贷合一卡）的数量达到了7.66亿张，环比增加1.29%。总授信额度达到了18.59万亿元，环比增加3.80%。

下卡量在增加，加上授信总额在不断增长，说明银行依旧非常重视信用卡市场，但同时这也给银行带来了不小的麻烦。因为截至今年三季度末，信用卡逾期半年以上的坏账来到了906.63亿元，环比大涨6.13%。

信用卡下卡数量不断增加，说明在初审阶段银行并没有管理的太严格，因此坏账增加是客观会存在的问题。

之前银行是当铺思想，把钱借给有偿还能力的人。这些人群算是优质客群。更糟糕的是但随着量化宽松，财政货币刺激，M2激增，银行，消费金融公司，小额贷公司纷纷把市场目标扩大到次级客户，即偿还能力不足或没有工作的人，这些人还钱风险很高，因此借钱利息也很高。作为小额贷，助贷，消费金融公司的贷前审批人员，是否经历过下图的场景？骗贷，黑中介，灰色产业链，他们无孔不入，搞得你们晕头转向，不好判断用户还要领导拍脑壳决定是否放贷。

国内黑产，灰产已经形成庞大产业链条。根据之前同盾公司统计，黑产团队至少上千个，多大为3人左右小团队，100人以上大团队也有几十上百个。这些黑产团队天天测试各大现金贷平台漏洞，可谓专业产品经理。下图是生产虚假号码的手机卡，来自东南亚，国内可用，可最大程度规避国内安全监控，专门为线上平台现金贷诈骗用户准备。，如果没有风控能力，就不要玩现金贷这行了。放款犹如肉包子打狗有去无回。

举个身边熟悉例子，作者在之前某宝关键词搜索中，可以发现黑产和灰产身影。

 关键词：

注册机，短信服务，短信接收，短信验证，app下单，智能终端代接m

 黑产市场风起云涌，银行风控负责人改如何应对持续上升信用卡坏账？作者认为识别坏客户（骗贷和还款能力不足人群）是关键。只有银行精准识别了坏客户，才能显著降低逾期和坏账率。如何精准识别坏客户，改课程会手把手教你大家Python信用评分卡模型，精准捕捉坏客户，此乃风控守护神。

信用评分卡可以成为贷款人和借款人计算借款人偿债能力的绝佳工具。对于贷方而言，评分卡可以帮助他们评估借款人的风险，识别是否是骗贷用户或还款能力不足用户，并帮公司维持健康的投资组合 - 这最终将影响整个经济。

模型就像一个黑箱，当用户申请贷款时，模型会根据用户信息，例如年龄，工作，职位，还款记录，借贷次数等维度自动计算客户坏客户概率。业务线如果用模型计算出某用户坏客户概率较高，例如0.8，就会拒绝改客户贷款申请。

因此风控模型就像信贷守护神，保护公司资产，免受黑产吞噬。评分卡模型自动化评分，1秒之内决定客户是否通过，贷前人员工作轻松多了！这样，大数据时代下的风控模型就此诞生。

（评分卡模型自动批量识别坏客户）

信用评分卡建模数据

http://archive.ics.uci.edu/ml/datasets/Statlog+(German+Credit+Data)

account balance 账户余额

duration of credit

建模数据信息Data Set Information:

Two datasets are provided. the original dataset, in the form provided by Prof. Hofmann, contains categorical/symbolic attributes and is in the file "german.data". 

For algorithms that need numerical attributes, Strathclyde University produced the file "german.data-numeric". This file has been edited and several indicator variables added to make it suitable for algorithms which cannot cope with categorical variables. Several attributes that are ordered categorical (such as attribute 17) have been coded as integer. This was the form used by StatLog. 

This dataset requires use of a cost matrix (see below) 

提供了两个数据集。 原始数据集以Hofmann教授提供的形式包含类别/符号属性，并且位于文件“ german.data”中。

对于需要数字属性的算法，斯特拉斯克莱德大学产生了文件“ german.data-numeric”。 该文件已经过编辑，并添加了一些指标变量，以使其适用于无法处理分类变量的算法。 几个按类别排序的属性（例如属性17）已编码为整数。 这是StatLog使用的形式。

该数据集需要使用成本矩阵（请参见下文）

..... 1 2 ---------------------------- 1 0 1 ----------------------- 2 5 0 

(1 = Good, 2 = Bad) 

The rows represent the actual classification and the columns the predicted classification. 

It is worse to class a customer as good when they are bad (5), than it is to class a customer as bad when they are good (1). 

Attribute Information:

Attribute 1: (qualitative) Status of existing checking account A11 : ... < 0 DM A12 : 0 = 200 DM / salary assignments for at least 1 year A14 : no checking account 

Attribute 2: (numerical) Duration in month 

Attribute 3: (qualitative) Credit history A30 : no credits taken/ all credits paid back duly A31 : all credits at this bank paid back duly A32 : existing credits paid back duly till now A33 : delay in paying off in the past A34 : critical account/ other credits existing (not at this bank) 

Attribute 4: (qualitative) Purpose A40 : car (new) A41 : car (used) A42 : furniture/equipment A43 : radio/television A44 : domestic appliances A45 : repairs A46 : education A47 : (vacation - does not exist?) A48 : retraining A49 : business A410 : others 

Attribute 5: (numerical) Credit amount 

Attibute 6: (qualitative) Savings account/bonds A61 : ... < 100 DM A62 : 100