IRC/ML：金融智能风控领域相关术语解释(黑灰产群控、风控指标/字段、口径逻辑)、金融智能风控领域九大场景之详细攻略
IRC/ML：金融智能风控领域相关术语解释(黑灰产群控、风控指标/字段、口径逻辑)、金融智能风控领域九大场景之详细攻略
目录
金融智能风控领域的相关术语
1、如何判断黑灰产群控
风控指标/字段相关概念、口径逻辑
基础指标
深度指标
金融智能风控领域九大场景
1、反欺诈检测
AI之FD：机器学习领域重要场景—反欺诈(Fraud Detection)检测技术的简介场景(金融领域【信用卡欺诈等】、保险领域【保单交易欺诈等】、医学领域【疾病欺诈等】)、案例应用之详细攻略
2、信贷场景
IRC/ML：金融智能风控—信贷风控场景简介、两大场景(贷款场景+信用卡场景)、信用卡评分模型设计、反欺诈检测技术的简介、案例应用之详细攻略
3、资金反洗钱监测
5、医疗风险管理
5、网络安全
6、手机APP风险评估
7、供应链风险管理
8、社交风险控制
9、评论内容舆论监控
金融智能风控领域的相关术语
1、如何判断黑灰产群控
|
T1、手机电量判定：一般判断手机电量是否一直是100%，如果手机电量一直100%，那就是碰到了群控的。 T2、手机定位判定：或者看是否设备的方位在动，如果设备长期不动，也是遇到了群控。 T3、图算法关联判定：遇到高手，单纯通过设备验证不行，所以要用图算法，把很多数据比如银行交易流水等信息，用图算法关联起来，一网打尽。 |
风控指标/字段相关概念、口径逻辑
基础指标
|
名称 |
英文 |
含义/口径逻辑 |
举例 |
|
账龄 |
Month on Book，MOB |
指资产放款月份。类似于婴孩一出生就有了年龄，一旦申贷订单被放款，也便拥有了账龄和生命周期。 |
T1、以自然月底为末点 MOB0：放款日至当月月底 MOB1：放款后第二个完整的月份 MOB2：放款后第三个完整的月份 MOB的最大值取决于信贷产品期限。如果是12期产品，那么该资产的生命周期是12期，MOB最大到MOB12。 例如，2019年11月13日放款的订单，2019年11月是MOB0，2019年12月是MOB1，以此类推。 T2、以过一个自然月为末点 例如放款日期为2018.3.5号，则MOB1为2018.3.5-2018.4.5，MOB2为2018.4.5-2018.5.5。 T1的统计方法关注的是固定时间节点的用户的具体表现；T2的的统计方法关注的是用户具有统一的表现期。 |
|
逾期天数 |
Days Past Due，DPD |
逾期天数，自还款日次日起到实还日期间的天数。 |
DPDN+：表示逾期天数 >= N天； DPD30+：表示逾期天数 >=30天的资产； 例如，若还款日是每月8号，那么9号就是逾期第一天。如果客户在10号还款，那么逾期2天。 |
| 首次还款逾期 | FPD，First Payment Deliquency | 即用户放款通过后，首笔需要还款的账单的逾期情况。 | 例如FPD7+指标计算的是用户首期还款日到期后逾期7天及以上，对于反欺诈建模来说，常利用FPD15+，FPD30+等指标作为训练目标。 |
|
逾期期数 |
Month |
指实际还款日与应还款日之间的逾期天数，并按区间划分后的逾期状态。（注：不同机构所定义的区间划分可能存在差异） |
M0：当前未逾期（或用C表示，取自Current） M1： 逾期1~30日； M2：逾期31~60日； M3：逾期61~90日； M4：逾期91~120日； M5：逾期121~150日； M6：逾期151~180日； M7：逾期180日以上；此时也被称为呆账（Bad Debts），会予以注销账户（write-off） |
| 资产分池 | 金融领域专有名词，分池是指将同质、风险特征类似的债项放至同一个组合或资产池（Pooling）中，并一致估计资产池的巴塞尔风险参数，包括违约概率PD、违约损失率LGD和违约风险暴露（一般指信用卡，包含EAD和CCF两部分）。 | 信贷的三类分池场景：PD、LGD、EAD的分池。 | |
| 违约概率模型 |
probability of default, PD， PD模型 |
违约概率是指借款人在未来一定时期内发生违约的可能性。 |
客户风险预警系统在商业银行信用风险管理中，违约概率是指借款人在未来一定时期内不能按合同要求偿还银行贷款本息或履行相关义务的可能性。 违约概率是计算贷款预期损失、贷款定价以及信贷组合管理的基础，因此如何准确、有效地计算违约概率对商业银行信用风险管理十分重要。 |
深度指标
目前我国商业银行建立违约概率（PD）模型的主流方法是（逻辑回归模型），该方法采用一组财务指标作为解释变量来预测客户的违约概率。
在信用风险管理领域，比较常见的违约概率模型包括逻辑回归模型、RiskCalc模型、KMV的Credit Monitor模型、风险中性模型、死亡率模型。逻辑回归模型是我国商业银行建立违约概率（PD）模型的主流方法之一，该方法采用一组财务指标作为解释变量来预测客户的违约概率。
金融智能风控领域九大场景
1、反欺诈检测
AI之FD：机器学习领域重要场景—反欺诈(Fraud Detection)检测技术的简介场景(金融领域【信用卡欺诈等】、保险领域【保单交易欺诈等】、医学领域【疾病欺诈等】)、案例应用之详细攻略
https://yunyaniu.blog.csdn.net/article/details/126942836
2、信贷场景
IRC/ML：金融智能风控—信贷风控场景简介、两大场景(贷款场景+信用卡场景)、信用卡评分模型设计、反欺诈检测技术的简介、案例应用之详细攻略
https://yunyaniu.blog.csdn.net/article/details/130761367
3、资金反洗钱监测
使用聚类、关联规则挖掘等算法，对大量交易数据进行分析和建模，识别可疑交易、异常流动等迹象，预警和防范资金洗钱行为。
5、医疗风险管理
使用数据挖掘、机器学习等算法，对患者的健康状况、治疗效果、医疗费用等因素进行分析和预测，降低医疗风险和费用。
5、网络安全
使用机器学习算法、深度学习算法等，对网络流量、入侵行为、异常访问等进行实时监控和分析，识别和预测安全威胁。
6、手机APP风险评估
使用传统的评分卡模型、决策树、神经网络等算法，根据用户的行为数据、设备信息等，评估APP使用风险，防范恶意攻击和数据泄露。
7、供应链风险管理
使用数据挖掘、关联规则挖掘等算法，对供应链中的风险因素进行分析和预测，帮助企业避免潜在的供应链风险。
8、社交风险控制
使用社交网络分析、情感分析等算法，对用户的社交行为、言论和情感进行分析和建模，识别有害信息和高风险用户。
9、评论内容舆论监控
IRC/ML：金融智能风控领域相关术语解释(黑灰产群控、风控指标/字段、口径逻辑)、金融智能风控领域九大场景之详细攻略相关推荐
- ML之ME/LF：机器学习之风控业务中常用模型评估指标PSI(人群偏移度指标)的的简介、使用方法、案例应用之详细攻略
ML之ME/LF:机器学习之风控业务中常用模型评估指标PSI(人群偏移度指标)的的简介.使用方法.案例应用之详细攻略 目录 PSI(稳定度指标)的简介 1.如何计算PSI? (1).PSI计算过程
- ML之FE：PCC皮尔逊相关系数(Pearson correlation coefficient)的简介、案例应用(与spearman相关系数对比及其代码实现)之详细攻略
ML之FE:PCC皮尔逊相关系数(Pearson correlation coefficient)的简介.案例应用(与spearman相关系数对比及其代码实现)之详细攻略 目录 PCC/PPMCC皮尔 ...
- ML之FE：特征工程/数据预处理中的数据异常值的概述、检测方法、处理方法技巧总结之详细攻略
ML之FE:特征工程/数据预处理中的数据异常值的概述.检测方法.处理方法技巧总结之详细攻略 目录 异常值 异常值的概述(简介/原因/影响) 异常值的检测方法
- ML之FE：金融风控—基于预处理(PSI+标签编码+文本型抽数字+缺失值RF模型拟合填充)+多种筛选指标(PCA/IV值/Gini/熵/丰富度)利用CatBoost实现贷款违约二分类预测案例之详细攻略
ML之FE:金融风控-基于预处理(PSI+标签编码+文本型抽数字+缺失值RF模型拟合填充)+多种筛选指标(PCA/IV值/Gini/熵/丰富度)利用CatBoost实现贷款违约二分类预测案例之详细攻略 ...
- DataScienceML：金融科技领域之风控的简介、类别、应用流程(定义目标变量→特征构建思路等)、案例集锦之详细攻略
DataScience&ML:金融科技领域之风控的简介.类别.应用流程(定义目标变量→特征构建思路等).案例集锦之详细攻略 目录 金融科技领域之风控的简介 1.风控指标相关概念或口径逻辑 金融 ...
- DataScience：风控场景之金融评分卡模型的构建(逻辑回归)开发(转评分卡)、使用过程(线上实现)之详细攻略
DataScience:风控场景之金融评分卡模型的构建(逻辑回归)&开发(转评分卡).使用过程(线上实现)之详细攻略 目录 风控场景之金融评分卡模型的构建(逻辑回归)&开发(转评分卡) ...
- DataScience：风控场景之金融评分卡模型的简介、构建(逻辑回归)开发(转评分卡)、使用过程(线上实现)之详细攻略
DataScience:风控场景之金融评分卡模型的简介.构建(逻辑回归)&开发(转评分卡).使用过程(线上实现)之详细攻略 目录 逻辑回归之金融评分卡模型的简介.构建.开发.使用过程 1.金融 ...
- ML之sklearn：sklearn.metrics中常用的函数参数(比如confusion_matrix等 )解释及其用法说明之详细攻略
ML之sklearn:sklearn.metrics中常用的函数参数(比如confusion_matrix等 )解释及其用法说明之详细攻略 目录 sklearn.metrics中常用的函数参数 con ...
- ML之sklearn：sklearn的make_pipeline函数、RobustScaler函数、KFold函数、cross_val_score函数的代码解释、使用方法之详细攻略
ML之sklearn:sklearn的make_pipeline函数.RobustScaler函数.KFold函数.cross_val_score函数的代码解释.使用方法之详细攻略 目录 sklear ...
最新文章
- 小李飞刀：用python刷题ing....
- 手机全部零件名称图片_【直播课】一条记录中显示多张图片
- 使用网络进行项目托管
- NOIP2013 写后感
- 我又来学ElasticSearch了。。。
- 【POJ 2104】【主席树模板题】K-th Number
- Hello,Java!(娱乐）
- 如何在Linux上编写和运行程序？
- 多项式函数的极值点与拐点判别及个数公式
- Windows CMD常用命令大全（所见即所得）
- 基因组测序 转录组测序
- vue 自动播放语音
- 5.0安装没有costom mysql_MySql5.0安装图解s
- “我在网红书店，从来不看书”
- 开源的驰骋工作流程引擎，工作流程管理系统，表结构与运行机制。
- 微信小程序提现到零钱
- 计算机安全使用环境及要求吗,计算机安全使用环境及要求02
- 【Apollo 6.0学习笔记】高精地图
- 淘宝、一淘、淘宝商城 - 马云内部邮件谈分拆
- 非银金融行业：平安好医生，互联网医疗先行者，打造医疗生态圈闭环-20210106.PDF