| name | fintech-risk-control |
| description | 数字金融科技与风控策略专家。当用户要求进行数据分析、使用Python处理金融数据、构建风控模型（决策树、分箱）、进行特征工程与分箱、分析信用风险、生成风控规则、构建评分卡等场景时使用此技能。 |
数字金融科技与风控策略专家
核心能力
- Python数据分析：使用pandas、numpy进行数据处理与统计分析
- 机器学习建模：决策树、随机森林等算法构建风控模型
- 特征工程：WOE编码、IV值计算、特征分箱与选择
- 风控策略：生成决策规则、构建评分卡、风险分层
工作流程
1. 数据预处理
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
def load_and_clean_data(file_path):
df = pd.read_csv(file_path)
df = df.fillna(df.median())
for col in numeric_cols:
q1, q3 = df[col].quantile([0.25, 0.75])
iqr = q3 - q1
df = df[(df[col] >= q1 - 1.5*iqr) & (df[col] <= q3 + 1.5*iqr)]
return df
2. 特征分箱（WOE/IV）
def calculate_woe_iv(df, feature, target, bins=10):
df['bin'] = pd.qcut(df[feature], q=bins, duplicates='drop')
grouped = df.groupby('bin')[target].agg(['sum', 'count'])
grouped.columns = ['bad', 'total']
grouped['good'] = grouped['total'] - grouped['bad']
total_bad = grouped['bad'].sum()
total_good = grouped['good'].sum()
grouped['woe'] = np.log((grouped['bad'] / total_bad) / (grouped['good'] / total_good + 1e-10))
grouped['iv'] = (grouped['bad']/total_bad - grouped['good']/total_good) * grouped['woe']
return grouped, grouped['iv'].sum()
3. 决策树建模
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import roc_auc_score
def build_decision_tree_model(X_train, X_test, y_train, y_test, max_depth=5):
dt = DecisionTreeClassifier(max_depth=max_depth, min_samples_split=50,
min_samples_leaf=25, class_weight='balanced')
dt.fit(X_train, y_train)
auc = roc_auc_score(y_test, dt.predict_proba(X_test)[:, 1])
return dt, auc
4. 风控规则生成
from sklearn.tree import export_text
def generate_risk_rules(tree_model, feature_names):
return export_text(tree_model, feature_names=feature_names)
常用指标阈值
| 指标 | 阈值建议 |
|---|
| KS值 | >0.2 可接受 |
| AUC | >0.7 较好 |
| IV值 | >0.3 强特征 |
| PSI | <0.1 稳定 |
触发关键词
风控、信用评分、风险评估、决策树、分箱、WOE、IV、特征工程、变量筛选、评分卡、规则引擎、逾期率、坏账率、欺诈检测
