本书是在大数据框架下，全面介绍金融科技在处理真实场景金融问题时需要掌握的最重要的几类机器学习方法，并将重点放在实施过程中需要用到的特征提取、可解释性、隐私保护与数据安全共享等相关内容的讨论上。 本书内容分三部分：第一部分由1～6章组成，主要讲常规情况下，机器学习在金融场景特别是大数据风控中的建模应用；第二部分由第7章和第8章组成，主要讲在数据隐私保护和安全要求下，机器学习如何进行大数据风控建模；第三部分由9～16章组成，主要讲如何基于吉布斯抽样算法建立特征提取的理论和标准框架及其在包含投资和融资等7个不同金融场景中的应用。 本书具有五个特点：一是面向应用需求，介绍机器学习在金融场景特别是大数据风控中的建模应用；二是紧扣应用，聚焦智能投顾和大数据信用评价两大领域；三是针对算法，重点讲逻辑回归和集成学习建模；四是针对数据安全和隐私保护问题，建立密文机器学习模型，实现数据共享；五是针对特征工程，基于吉布斯抽样算法，建立支持非线性特征提取的理论和标准框架。 本书既可作为高等院校金融科技相关课程的通用专业基础教材，也可作为金融科技培训用书，还可作为广大金融科技爱好者和金融科技软件开发人员自学金融科技的用书以及金融科技监管部门的专业参考资料。

序一
序二
前言
绪论
第一部分机器学习及金融应用
第1章 机器学习与金融科技应用介绍
1.1 人工智能介绍.
1.2 机器学习简介.
1.2.1 什么是机器学习
1.2.2 机器学习建模简介
1.2.3 本节小结
1.3 机器学习大数据智能风控应用介绍
1.3.1 人工智能在金融机构风险管理中的应用
1.3.2 深度学习算法将会被广泛采用.
1.3.3 大数据框架下的多种形态数据将会被广泛应用
1.3.4 基于网络的知识图谱（全息画像）形成落地解决方案
1.3.5 联邦学习方法将会大规模落地使用
1.3.6 人工智能方法在大数据风控面临的挑战
1.4 本章小结
练习题
第2章 逻辑回归
2.1 逻辑回归原理
2.1.1 逻辑回归简介
2.1.2 分类原理
2.1.3 示例
2.2 基于最优化方法的最佳回归系数确定
2.2.1 最优化问题
2.2.2 梯度下降法求解
2.2.3 模型的拟合优度评估
2.3 模型评估
2.4 多分类问题
2.4.1 多次逻辑回归
2.4.2 对逻辑回归模型进行扩展
2.5 逻辑回归评分卡
2.6 场景应用
2.6.1 数据描述
2.6.2 模型建立与评估
2.6.3 评分卡生成
2.7 本章小结
练习题
第3章 决策树
3.1 决策树模型的原理
3.2 特征选择
3.2.1 ID3算法
3.2.2C4.5 算法
3.2.3 CART算法
3.2.4 不同决策树算法的比较
3.3 示例
3.4 过拟合与剪枝
3.4.1 预剪枝
3.4.2 后剪枝
3.5 场景应用
3.5.1 数据描述
3.5.2 模型建立与评估
3.6 本章小结
练习题
第4章 集成学习算法
4.1 随机森林
4.1.1 随机森林算法简介
4.1.2 场景应用
4.2 GBDT算法
4.2.1 GBDT算法简介
4.2.2 GBDT算法流程
4.2.3 GBDT示例
4.2.4 Shrinkage策略.
4.2.5 场景应用
4.3 XGBoost算法
4.3.1 XGBoost算法简介
4.3.2 XGBoost分类算法
4.3.3 XGBoost回归算法
4.3.4 XGBoost示例
4.3.5 场景应用
4.4 本章小结
练习题
第5章 机器学习模型的可解释性方法
5.1 可解释性理论
5.1.1 可解释性的重要性
5.1.2 可解释性的分类
5.1.3 解释的性质
5.2 可解释性方法
5.3 SHAP解释法
5.4 LIME解释法
5.4.1 LIME算法特点
5.4.2 LIME实现步骤
5.4.3 LIME算法原理
5.5 SHAP与LIME解释法的对比
5.6 本章小结
练习题
第6章 大数据风控机器学习建模
6.1 标签设计
6.1.1 Vintage账龄分析
6.1.2 滚动率分析
6.1.3 好/坏/不确定定义
6.2 数据清洗
6.2.1 缺失值处理
6.2.2 同值化处理
6.2.3 标准化处理
6.3 特征工程概述
6.3.1 特征变量分箱
6.3.2 变量WOE转换.
6.3.3 IV值预测能力分析
6.3.4 相关性和关联性分析
6.3.5 VIF方差膨胀因子分析
6.4 模型训练与评估
6.4.1 模型建立
6.4.2 参数优化
6.5 模型验证
6.5.1 模型稳定性
6.5.2 模型区分能力
6.6 实证研究
6.6.1 数据来源与处理
6.6.2 特征工程
6.6.3 模型训练与评估
6.6.4 模型预测结果的解释
6.6.5 可解释性结果与样本真实分布的对比
6.7 本章小结
练习题
第二部分隐私保护和数据安全背景下的机器学习及金融应用
第7章 同态加密机器学习建模
7.1 同态加密简介
7.1.1 几种主流全同态加密方案对比
7.1.2 CKKS加密方案应用207目
7.2 密文逻辑回归模型构建
7.2.1 双方介绍
7.2.2 密文逻辑回归的建模过程
7.2.3 密文逻辑回归的预测过程
7.3 密文评分卡模型构建
7.3.1 研究目的
7.3.2 数据要求
7.3.3 必备文件和源代码
7.4 密文评分卡建模流程
7.4.1 双方介绍
7.4.2 模拟数据
7.4.3 密文评分卡自动化建模流程
7.5 本章小结
附录I代码流程操作详解
练习题
第8章 联邦学习建模
8.1 联邦学习适用的场景
8.2 联邦学习的分类
8.3 联邦学习框架下的机器学习算法
8.3.1 纵向安全联邦逻辑回归
8.3.2 Secureboost
8.4 联邦学习实证
8.4.1 Secureboost示例.
8.4.2 场景应用
8.5 本章小结
练习题
第三部分吉布斯抽样算法的特征提取及场景应用
第9章 吉布斯抽样方法和特征提取框架介绍
9.1 吉布斯抽样方法可以解决什么问题
9.2 逻辑回归模型框架下的关联特征的提取方法
9.3 实现吉布斯抽样特征提取的算法框架
9.4 集成学习模型框架下的关联特征提取步骤
9.5 本章小结
附录II支持关联特征提取的比值比指标介绍
练习题
第10章 筛选刻画FOF关联风险特征指标
10.1 基金自身关联风险因素介绍
10.2 影响基金的其他