金融反欺诈和金融构建信用评分或者金融预测特征抽取案例
之前在微信朋友圈读到过这样一篇文章,施一公:“我国的最大危机,是所有精英都想干金融!”,当然,笔者是非常赞同的,因为和钱距离越近的地方,越能赚到更多的钱,所以从个人或者企业的角度出发,选择金融是正确的方向,就连程序员也不例外。暂且不说这个危机是什么原因造成的,或体制或为了生存。作为程序员既然选择了金融,那就先把手上的工作做好。很惭愧,笔者还没有选择金融,说明还不是精英吧!
我们都知道,这几年在大数据背景下,人工智能迅速崛起,机器学习和深度学习让大家争先恐后在武装自己,然而,基于统计学习的算法一眼望去一大片,多到让你数不过来,此刻不知道大家是什么心情?恐惧吗?不妨先屏住呼吸深吸一口气,我们来看看:
目前的算法多如牛毛,算法工程师也越来越多,在刚开始学习机器学习,大家都有过这样的体会,先用简单模型,然后不断尝试变化算法,比如,从简单的线性回归、逻辑回归到决策树、SVM,以及到集成学习,最终到神经网络、强化学习等等。最后的结果并不如愿,所以只从算法角度去解决问题显然不是根本,根本是数据特征的挖掘和寻找。
在特征工程里,常见各种特征处理和挖掘特征的方法。特征常见的比如:离散的、连续的、地理特征、组合特征等等,其中组合特征是个很重要的特征,比如为什么神经网络比线性回归效果要好,大家应该都知道,神经网络能更好的表达非线性的特性,就在于存在特征组合。
回到金融领域,目前比较多的应用场景有金融反欺诈、金融信用体系构建、金融用户流失预测、现金流预测、量化交易等,其中少不了各种特征组合,除了基本面的信息,要构造大量的组合特征,下面笔者给出一些金融常见的特征组合供大家参考:
上面给出的组合特征,希望能帮助到大家。