决策能力

大数据时代开启后，金融业风控模式迎来了革命性的变化，抵押物和企业规模不再是决定放贷与否的唯一标准，金融机构的风控重心转向科技手段，其中大数据风控因为其智能化和准确度是各家发展的重点。在每年层出不穷的大数据风控产品中，金融壹账通企业金融团队研发的大数据决策引擎解决方案——壹企策以其强大的功能、便捷的操作、灵活的模式和一键发布等功能获得了市场广泛的认可。 在9月5日揭晓的“2019中国金融科技创新大赛 ”中，金融壹账通壹企策大数据决策引擎荣获“金融科技创新解决方案金奖”，这是金融壹账通壹企策自推出以来获得的首个重磅奖项，一同获奖的还包括蚂蚁金服、京东数科、度小满金融等企业。 （图：壹企策大数据决策引擎荣获“金融科技创新解决方案金奖”） 大数据风控虽已成为金融业必备的工具，但对数据的投入是高昂的，除了大型银行有能力自建风控大数据系统，上千家传统中小银行均缺乏大数据决策引擎的支撑，要么选择Fico等公司提供的昂贵解决方案，要么只能采用传统低效方案，这对于亟待完成数字化转型的中小银行来说是艰难的选择，对于视风控为生命的银行业整体科技实力的提升更是重大隐患。 针对中小银行业务和数据的特点，金融壹账通推出了更适合的大数据决策引擎解决方案——壹企策，这款集大数据平台和决策引擎于一体的智能产品，能为反欺诈、信用风险、贷后监控、KYB营销、推荐引擎等多种金融科技解决方案提供核心策略服务。 （图

本博文将针对消费贷款领域的信用评分及其模型进行相关研究探讨。虽然人人都可以通过对借款方在Lending Club(国外最大的P2P网站)和Prosper上的历史借贷数据进行分析，但我相信，了解消费信贷行为、评分机制和贷款决策背后的工作原理可以帮助投资人更好的在市场中进行决策，获得收益。 消费信贷一直是推动世界领先国家经济转型的主要力量。在过去的50年里，消费开支也因此有所增加。根据纽约联邦储备银行家庭债务和信用季度报告,2014年8月，消费者负债总额为11.63万亿美元，其中74%为按揭和净值贷款，10%为学生贷款，8%为汽车贷款，以及6%为信用卡债务。消费信贷需求增长率极高，自动化风险评估系统势在必行。 信用评分 信用评分最早始于上世纪50年代初。信用评分最初使用 统计学方法 来区分优秀和不良贷款。最初，信用评分的重点是是否要给贷方发放贷款，后来，这种行为转变成了 申请人评分（applicant scoring） 。信用评分借着申请人评分这一项成为了一项成功的评价系统。 在信用评分中，信贷价值假设会在未来的几年保持稳定，贷方会对申请人是否会在未来的12个月内出现90天以上的逾期支付进行评估。申请成功时的最低评分界限是该分值边际良好和不良贷款几率相比而来。申请者贷款1-2年以来的数据，加上相应的信用记录将帮助建立申请者未来2年左右的申请评分模型。 行为评分（Behavioral

【学习笔记】动态规划—各种 DP 优化 【大前言】 个人认为贪心， \(dp\) 是最难的，每次遇到题完全不知道该怎么办，看了题解后又瞬间恍然大悟（TAT）。这篇文章也是花了我差不多一个月时间才全部完成。 【进入正题】 用动态规划解决问题具有 空间耗费大 、 时间效率高 的特点，但也会有时间效率不能满足要求的时候，如果算法有可以优化的余地，就可以考虑时间效率的优化。 【DP 时间复杂度的分析】 \(DP\) 高时间效率的关键在于它减少了“ 冗余 ”，即不必要的计算或重复计算部分，算法的冗余程度是决定算法效率的关键。而动态规划就是在将问题规模不断缩小的同时，记录已经求解过的子问题的解，充分利用求解结果，避免了反复求解同一子问题的现象，从而减少“ 冗余 ”。 但是，一个动态规划问题很难做到完全消除“ 冗余 ”。 下面给出动态规划时间复杂度的决定因素： 时间复杂度 \(=\) 状态总数 \(×\) 每个状态转移的状态数 \(×\) 每次状态转移的时间 【DP 优化思路】 一：减少状态总数 \((1).\) 改进状态表示 \((2).\) 选择适当的规划方向 二：减少每个状态转移的状态数 \((1).\) 四边形不等式和决策的单调性 \((2).\) 决策量的优化 \((3).\) 合理组织状态 \((4).\) 细化状态转移 三：减少状态转移的时间 \((1).\) 减少决策时间 \(