QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 3716|回复: 0
打印 上一主题 下一主题

[建模教程] 风控建模】互金 风控模型岗 基本要求及面试问题总结

[复制链接]
字体大小: 正常 放大
杨利霞        

5273

主题

82

听众

17万

积分

  • TA的每日心情
    开心
    2021-8-11 17:59
  • 签到天数: 17 天

    [LV.4]偶尔看看III

    网络挑战赛参赛者

    网络挑战赛参赛者

    自我介绍
    本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。

    群组2018美赛大象算法课程

    群组2018美赛护航培训课程

    群组2019年 数学中国站长建

    群组2019年数据分析师课程

    群组2018年大象老师国赛优

    跳转到指定楼层
    1#
    发表于 2019-6-6 16:12 |只看该作者 |倒序浏览
    |招呼Ta 关注Ta
    风控建模】互金 风控模型岗 基本要求及面试问题总结
    6 d: `1 G, B- |( w4 s一 准备工作5 ?$ R8 d) I* S( M( R& x& g6 H6 n  n

    ( P2 D7 N: l% C, P, d1 w% K  根据核心职业CD法则,找工作前,你得先清楚自己有什么,自己要什么;面试单位有什么,面试单位要什么。就笔者近一年的学习及工作经验总结而言:
    - A$ n3 C8 M; `5 Z
      z: b& T% v) D% w  科班同学,最好直接从统计分析、应用统计角度入手,从事金融、生物、医药等领域里的数据分析或数据挖掘相关工作;
    $ O% M3 Q9 [' K0 c. A! ?, I% d3 ~  r, ~
      非科班转行来的,建议直接做金融,需要的专业知识不多,行业知识也易懂,而且信用中国还有很长的路要走,在这个领域扎根越久,收益越高,因为我们要学的这些知识首先是保值甚至是增值的。可掌握的技能基本可以选择大数据、数据提取、处理、分析、建模这五大块儿,内容及要求总结如下:% p) `" A+ _3 q
    5 o/ \7 C/ H& W: C. H- g! ]8 Z
    前搞MIS(报表分析):业务报表及报告的生产,掌握excel手动报表汇总、透视等功能,tableaue等线上BI报表制作、分析。) e/ w. F7 R+ C5 Q/ k! a

    : U  E1 p; j- D9 H  n7 S: W. D后搭数仓(数据提取):数据仓库,包括关系型、非关系型、大数据、图数据等数据库、数据表的设计(常为后端人员开发,数据人员需要了解表结构、字段类型等),数据存储、提取、转换、清洗、处理;需熟练掌握SQL、HQL、NQL等语言,可以做json、dict、frame、pkl等数据格式的转换。
    0 j. n" {: C7 g9 x* s) _+ @( j4 m
    ; K2 J9 v  {& t0 `+ l4 j3 k左建模型(模型开发):金融风控模型,不单单指评分卡,而是针对产品营销、定价、授信、管理、催收、监测等业务流程开发的一系列策略、规则、评分卡的集合,通常我们认为,利用有监督、无监督、半监督、深度学习等算法开发的评分卡是风控模型中卓有成效的技术。
    / Y* `, _, Q  R$ }* D; m. X/ j9 I0 ^" k. s" v0 p: o
    右通算法(数据挖掘):LR、RF、XGBoost、SVM等常见算法。对跨领域转行过来的同学来说,算法这块,既有趣,又神秘,关键还难懂,让人又爱又恨。好的算法工程师,需要扎实的计算机算法、算力、数据结构等基础,需要扎实的概率、统计、多元回归、矩阵等基础,我等渣渣励志做算法的话,3~5年起步吧。4 I# j8 P8 _8 g$ E8 w

    4 z, _/ q" c# j& G% X! V核心懂业务:P2P、消费分期、现金贷、传统金融、大额、小额、信用卡、车贷、抵押、资产、标的等业态;风险定价、反欺诈、信用循环、信审、提额等环节;滚动、迁徙、账龄、递延、回收、坏账等指标。要懂的东西,也多也不多。
    4 _/ U6 t% ^& P% x, ~' h" F& e1 T9 K; z$ Y, B# Q! L" t
      所以,除非奔着算法工程师去,否则最好的入行策略就是熟知行业业务流程,从数据库、数据提取、数据挖掘、数据分析、风控建模等岗位中择一良木而栖,夯实基本数据提取、挖掘、建模等流程所用到的技术。算法这块儿,只需要掌握常用LR、树模型等算法的原理,能够使用编程工具实现即可。
    ' x4 B! c3 [6 O8 p, j& Y
    6 c1 @3 L# u! a8 f9 {
    ( e/ c" e5 E, H  N+ z画个VISIO:
    6 v, j' a2 q, q; ~0 {+ f' v- c& a( z
      E; h, m1 M/ `) a+ [, H2 ^  所有知识点都掌握,并且能够熟练运用,已然建立体系,胸有成竹,你就可以骄傲的自封一个全能数据战士的名号了,简直朝阳区中最靓的仔。(悄悄说一句,全栈离经理和总监更近,产品、前后端都得给你点个赞)# m0 }6 E2 F$ k" s2 s- w' U
    , m- q! a9 w5 q& }
      那针对金融风控岗,我们的面试准备工作,就从以上几点出发,重点从模型着手。8 T7 Q, {* {4 T, d, g
    ) l3 C) p; Q+ W7 ?* ]- a2 M1 O
    1、行业经验
    4 T  P6 u/ [( R- G/ b$ k9 B3 I8 C& @+ {! u5 v+ s4 b& b/ d
    互联网金融风控岗位的业务理解,比如:信用循环体系;核拨率、递延率、坏账率等运营指标;滚动率、账龄分析等分析指标。
      W; s8 ~) d* U风控模型的开发流程,比如:信用模型评分卡的开发、上线、优化等过程及方法。
    , S$ g  R& K; Q8 m) y7 y5 A2、知识基础
    * M; h$ ^0 c3 g  y  E# k( f! d0 s8 D/ V1 s% v+ k# ?4 v% T
    (以下详细内容请看笔者其他相关文章)% W5 P0 [5 ^+ ^6 G* C0 `

    9 x2 I3 @, W9 _1 o, v  |数据存取与处理: 基础能力,这是数据分析类工作的技能基础,也是任何一个数据类工种都需要的基础能力,不熟练的话就再学一段时间。
    % g8 I/ D4 d( C; ^统计学习: 机器学习的基础是概率论与统计学习,这块儿你可以不必特别扎实,但像五位数、方差、正态分布、相关系数、假设检验常用知识点得了解并掌握。
    ( \$ ]' O' `0 J* z( y3 n9 q( r数据挖掘: 不论是规则还是评分卡,风控建模类工作的大量工作内容就是对用户特征的挖掘、定义、扩展、转换、处理、分析、运用,以产生对业务有帮助的决策数据。所以特征工程来龙去脉需要懂,并且会熟练使用。
    ) c, i; {* c! }0 z' z1 _3 I/ S常用算法: 用于特征工程及建模工作,同样不必全懂,但一到两种常用算法的推导及一到两种融合算法的原理必须掌握,常用的元模型为逻辑回归、决策树;常用的融合模型有随机森林;神经网络则有ANN。2 B* Q) D& W7 `/ W: p
    3、代码能力
    , ?- a' h5 @" l
    ; w5 n& ], m! V8 }( @, cpython | R | sas,把一门代码类工具运用熟练即可。就python而言,像pandas、numpy、statsmodels、sklearn,这几个包学扎实就行。
    ' e# L) n* r9 O. N1 B(选工具的话,建议python,别问为什么,怕被隔壁用R、spss、PHP、java、excel的媛儿们暴锤)) ?+ R4 ]: r" G& s
    ! x0 S9 F3 Q) m7 [8 _6 G- K; M* b% O
    二 面试问题
    . V" D* F  O; e, ]* x* [' O2 N* S9 d# S* a
    1、风控建模9 R5 j4 E% D: E& t5 x

    " z, T) K1 }) `) [谈谈你对风控模型的理解?
    " P: t/ J, `. W# m' B0 ?
    7 E; q% T# E" k5 [0 y) i& K模型如何设计?$ |$ P* `* {2 S: d( ^
    可以从滚动率、迁徙率来回答,也可以从反欺诈、ABC卡回答。
    + y. |* T. w3 `0 {$ i& S* x  l$ A% m: b( E+ w0 P% F, y0 a0 l
    对客群进行细分建模的本质是什么?
    8 Z7 ^8 ]$ y, x其实分客群进行建模,实质也是一种交叉特征,能提高模型稳定性。
    : W/ Z7 N  t2 {/ |/ M# G" O2 i/ v* [) e
    拒绝推断应该怎么做,作用是什么?效果怎么样?
    5 ]+ H4 M1 ]: n' ?6 i8 b. L5 i) q(多查资料,博学审问慎思明辨)
    # B. `" F; t6 H- a* a6 |9 T2 S" F, {! K# O6 }) A7 N
    简要说明下标准评分卡开发流程! y6 u8 m- ~" [8 N- x% d0 T
    (多查资料,博学审问慎思明辨)
    ( b/ r8 f# Q. g. e
    % O$ y. g. H, Z. d4 H" r2、特征工程1 F" y1 f( L9 R* |0 i

    5 v; ^/ B  v3 d5 T, Q如何对数据做质量检验?
    ( x8 y% n: C4 x; r$ b0 m- Z在完成数据匹配工作之后,建模之前,我们需要对数据进行整体的质量检测,主要有两个方面:6 A; M0 w* J, D1 E' A! l
    1、数据分布。5 z2 e4 c, g2 m& n' T7 I) x3 O
    2、数据集中度检测。
    ' _8 c, j$ r, M9 U3 \& x3、数据脏乱情况。缺失值(是否隐藏风险)、离群值、错误值、重复值,根据其是否符合业务逻辑,判断数据是否存在异常。
    7 i2 r& \' c; k特征工程流程
    # Q, O& u* f7 b# D1 Q关键词: 特征预处理、特征选择、特征衍生、特征提取等。用到的技术主要有连续变量离散化、分类变量哑编码、卡方分箱、特征编码、共线性检验、PCA降维、交叉验证等。! j$ B# |2 {9 ]. r& w! h. I
    筛选变量的常用方法
    1 w* i* N) H. S; ~4 T筛选变量有很多种方法,随机森林、GBDT、逻辑回归显著性、VIF共线性、相关性图谱等、随机逻辑回归筛选、递归法筛选等。, n. }; u1 J4 X' z7 N
    好的特征需要具备哪些优势?
    0 _! ?9 T% d- @5 H  V2 n8 G, e1、稳定性高! t; y7 C" E( e
    2、区分度高, g  y& Q; n( l" t
    3、差异性大. `# a. s* G' j) t+ H
    4、符合业务逻辑1 u+ w8 ?# B1 u1 v* P. F* i& ^& `; F# O
    如何衍生特征?) a- c2 Z$ M( |% j
    变量的衍生并不复杂,通常我们会从三种角度出发:
    6 {4 V( l1 f. G  ^/ b1、数学运算。求和、比例、频率、平均等。
    2 X% t" e' _8 `5 c2 Z2、时间窗口。有些变量的意义只有在一段时间内才有效,所以针对时间比如说注册如期、交易日期等变量,需要计算其到现在的时间段,完成变量的衍生。
    2 x6 o  d! T% Y7 t9 t# }3、交叉组合。GBDT\XGBoost、LDA主题模型、用户画像分等等都可以做特征衍生。1 t1 d$ ]  M" y$ M5 m! |# b
    衍生出来的特征要符合实际业务含义,并且要保持稳定。
    * x; O* q9 f  t6 i- ]3、机器学习算法
    9 f5 J* q& P; d9 ~& f
    ' K4 y5 [9 Y# B9 i1 r  m0 c( q- i简单介绍你熟悉的几种算法及其在应用场景中的差别!
      N' E, i: y* ?8 F一些基本公式的推导,比如LR、xgb之类的,这些可以自己推导一下。, v) Q" s: {+ O. J
    简单评价几种常用算法的优缺点:
    & k1 _* r5 {: Y- K1、逻辑回归
    % k8 s# ^" [- U6 H$ A  ~8 i+ K优点:简单、稳定、可解释、技术成熟、易于监测和部署
    4 n$ w# {7 ^3 f! I缺点:一定不能有缺失数据;必须是数值型特征,需要编码;准确度不高
    / x/ \7 Y5 I9 U2 o- ~' u2、决策树
    7 ~0 L5 d8 W; n+ @: l, V% Y, m- P优点:对数据质量要求不高,易解释4 \6 s$ g0 `& [* b
    缺点:准确度不高3 n6 C9 j0 m6 D# Y5 Z+ g  E+ q
    3、其他元模型
    3 V( `+ D, n3 H  b9 {4、组合模型2 u- L7 U5 \& {* {9 B
    优点:准确度高,稳定性强,泛化能力强,不易过拟合) N' j- Q+ i# S4 L$ m/ n8 m
    缺点:不易解释,部署困难,计算量大
    1 H# t2 h  d/ t( X! P( o4、模型评估8 u* r) F9 O- |; n

    5 O5 T" L1 }- Y' G' l$ E# }2 l模型评估的常用方法?$ b; g! i) Y5 U5 x/ g
    从三方面回答:
    5 v9 z( T3 v. p5 B& V1、区分度:主要有KS和GINI指标,理解KS的定义及用法
    4 ?  H  @3 o  d8 q4 _2、准确性:主要有roc曲线和AUC指标,理解AUC的定义及用法
    ) g9 E+ i1 g. n9 \0 k3、稳定性:主要有PSI指标,理解PSI的定义及用法
    $ O; U: y1 _; ~9 jauc和ks的关系?. ?2 v- U6 o5 D
    有人说auc是衡量整个模型的排序能力,KS是衡量某个分段的区分能力。
    , `( n' e: ?' V& a- e6 q5 g' I5、模型部署
    9 f$ x5 Z9 a* V7 X/ ~1 X4 K
    . N: |: |+ K: t7 H! ?# J4 j模型的部署上线应用类似的问题,偏开发,分析人员可能不太擅长。主要就是api接口安装、测试、等级划分、额度设计、风险定价、ABtest的设计等等。1 G1 T* P) J- B6 F7 G
    6、模型监测+ \6 u% d% B# [. W
    " h4 R, ^1 b' g6 r- W
    上述一些运营数据和风控指标的关注
    - x2 c1 B) _, Y7 D三 写在后边* {2 g/ [8 t3 q8 c" f* n! \

    $ z0 H" v# D* j6 |% d; B  在全世界,分析能力都有同质化的趋势——大量的技术已经进入这个领域,壁垒几乎已经没了。长期、可持续的优势,来自企业拥有的人才和你手里的数据。0 q' o. c$ {7 ~$ M, @
    : a4 ?6 d) p. v7 n$ \
      总体而言,中国的金融科技市场是全世界最先进的,而且领先了很多。不过,在一个领域,中国的进步没有世界上其他国家大,那就是综合数据分析领域。如何更明智地使用数据,是全世界留给中国人的机会。& B0 K+ _5 ^, p) m& K$ p( L/ E

    * H1 \* W7 |; R: C  关于学什么这件事情。原本一直非常犹豫要不要学习编程,现在非常明确了,这件事最好的开始时间是大学,其次是现在,而且必须是直接掌握最先进的编程语言,主攻数据挖掘和数据分析的方向,并与这方面的专业人士建立链接。
    5 t6 ]. G7 O( ?" C——北大经济学博士 香帅老师+ z# n' c0 P; u  x" c
      风险管理绝不只是数据、模型,它是产品、流程和分析的有效结合。好的风险管理能真正理解流程,真正进入流程、着眼于流程。它能理解产品,理解客户和竞争对手的意图,然后将数据和分析与之结合。8 W# B$ N6 Z5 A' I
    ——数据驱动风险分析之父 阿什·古普塔
    / \+ u5 ^) m$ V6 U- V! O5 ]  别怕,难者不会,会者不难,稀缺意味着价值。每当坚持不下去的时候,回头看看你自己走过的那段路,虽然曲折,但异彩纷呈,关键还有这么一群可爱又努力的人陪着。
    & h! _$ j, {! _) o% l( F" I2 W! W6 \! ?) g
      总结经验,昂首阔步,心里装着善良和坚强,到哪都会散发光芒。: {. u5 m! r3 `5 T% \8 I8 ~1 N

    0 T7 |( U9 k( `  o) ]" g, i" l, J( \3 q+ z: X# E! q/ U
    ' W5 K- Y% B$ M6 |# ~# f* z. Z$ D
    $ H5 ]: D, z& q9 ]' [6 y

    4 q6 i7 Z9 N: j" N! Q
    6 R# Z( V6 u' s; ^9 c; q, O0 ~0 n
    zan
    转播转播0 分享淘帖0 分享分享0 收藏收藏0 支持支持0 反对反对0 微信微信
    您需要登录后才可以回帖 登录 | 注册地址

    qq
    收缩
    • 电话咨询

    • 04714969085
    fastpost

    关于我们| 联系我们| 诚征英才| 对外合作| 产品服务| QQ

    手机版|Archiver| |繁體中文 手机客户端  

    蒙公网安备 15010502000194号

    Powered by Discuz! X2.5   © 2001-2013 数学建模网-数学中国 ( 蒙ICP备14002410号-3 蒙BBS备-0002号 )     论坛法律顾问:王兆丰

    GMT+8, 2026-7-30 20:36 , Processed in 0.485533 second(s), 51 queries .

    回顶部