担任持车牌消费金融模型专家一职，发明金融风控模型算法，和中科院，网易云，腾讯，百度，爱奇艺，清华大学坚持长时刻项目协作；和同盾，聚信立等外部数据源公司有项目对接。了解消费金融场景业...

　　银行，消费金融，小额贷，现金贷等线上告贷场景的风控建模，数据剖析相关作业人员，贷前批阅模型人员；大学生fintech建模比赛，论文，专利。

　　1.每天确保1-2个小时学习时刻，估计7-14天能够学习完整门课程。 2.每节课的代码实操要确保，主张不要直接复制粘贴代码，自己实操一遍代码对大脑回忆很重要，有利于稳固常识。 3.第2次学习时要总结上一节课内容，必要时做好笔记，加深大脑了解。 4.不明白问题要罗列出来，先自己上网查询，查不到的能够咨询教师。

　　此课程用python代码对LendingClub渠道告贷数据剖析和用户画像，针对银行，消费金融，现金贷等场景，教会学员用python完成金融信贷请求用户数据剖析。项目选用lendingclub 12万多条实在信贷数据，包含用户年收入，告贷总额，分期金额，分期数量，职称，住宅状况等几十个维度。经过课程学习，咱们发现2019年四季度时分，美国多头假贷状况十分严峻，为全球体系性金融危机埋下种子。

　　作者Toby：持车牌消费金融模型，和中科院，中科大教授坚持长时刻项目协作；和同盾，聚信立等外部数据源公司有项目对接。了解消费金融场景事务，线上线下事务，包含现金贷，产品贷，医美，反诈骗，轿车金融等等。模型项目200+，拿手Python机器学习建模，关于变量挑选，衍生变量结构，变量缺失率高，正负样本不平衡，共线性高，多算法比较，调参等疑难问题有杰出解决办法。

　　Lending Club 创立于2006年，主营事务是为商场供给P2P告贷的渠道中介服务，公司总部坐落旧金山。

　　公司在运营初期仅供给个人告贷服务，至2012年渠道告贷总额达10亿美元规划。

　　2016年上半年Lending club爆出违规放贷丑闻，创始人离任，股价继续跌落，全年亏损额达1.46亿美元。

　　2019-2020年公司事务被逼转型，或许和美国高负债率，用户违约率上升有关。

　　作为P2P界的开山祖师，Lending club跌宕起伏的展开前史仍是挺吸引人的。

　　此处介绍一下什么是P2P。归纳起来能够这样了解，“一切不触及传统银行做前言的信贷行为都是P2P”。简略点来说，P2P公司不会出借自有资金，而是充任“中间人”的人物，衔接告贷人与出借人需求。

　　告贷人快乐的是拿到了告贷，并且进程快速便当，免遭传统银行手续许多的摧残；出借人快乐的是借出资金的出资报答远高于存款利率；那么中间人快乐的是用服务换到了流水（拿的便是事成之后的抽成） 最终完成三赢。

　　P2P初衷是好的，但随着许多渠道树立蓄水池，违规操作和房贷，构成几十万人上圈套。2018-2019年国内对P2P监管越来越严，到了2020年，P2P根本清退。只要持车牌的公司才干放贷。

　　告贷人提交请求后，Lending Club 会依据告贷规范进行开端检查。告贷人需求满意以下规范才干告贷：

　　3.信誉陈述反响以下状况：至少有两个循环账户正在运用，最近6 个月不超越5 次被查询，至少36 个月的信誉记载

　　告贷分为A、B、C、D、E、F、G 7 个等级，每个等级又包含了1、2、3、4、5 五个子级。

　　阐明：部分重要的特征变量好像缺失，屡次下载的数据会集短少fico分数、fico_range_low、fico_range_high等与fico相关的特征，所以在构成定论进行总结的时分，这些特征的定论将从相关的陈述中获取。

　　1.128412行数据，23个特征变量（抽选比较重要的变量，原始变量有110多个）

　　调用data.describe()函数对数据描述性计算，调查各个变量的计数，平均值，规范差，最大值，最小值，1/4位数和3/4位数值，并调查一下异常值。

　　6.id与desc特征的数据缺失率高达0.99，直接标明这两个特征能够删除去。

　　相同能够依照这种办法对浮点型的数据进行数据预览，得到均值、规范差、四分位数以及数据的缺失比重等信息。

　　咱们调用hist函数能够对数据的一切维度制作直方图，一望而知调查一切变量数据散布。

　　首要咱们来看一下2018年第四季度事务展开状况，主要是放款笔数，金额，期限等状况。第四季度放款笔数和放款金额略有下降，事务上是有意义的，年末坏账率会上升，渠道会收紧。特别是在国内，年末收紧起伏比较大。

　　经过seaborn，scipy,pandas三个包，咱们制作了一个正太散布图，调查lendingclub渠道给个人告贷金额大多在1万-2万美金，较高金额的告贷数量较少，此渠道主要是小额贷为主。

　　经过制作饼状图，咱们得到lendingclub渠道告贷周期分为36个月与60个月，主要以36个月为主，60个月的比重31%左右。在p2p渠道上以短期告贷为主，长时刻告贷也有，利率较高，但周期较长。借出人收成利息，承当危险，而借入人到期要归还本金。告贷周期越长，对借出人来说危险越高。

　　在国内的环境下，借出人不只要承当推延还款的危险，还要忧虑渠道跑路、本息全无的高危险；对借入人来说，由于国内短少健全的征信体系，告贷方违约及重复违约成本低。

　　对国内的状况不再多说，论题绕回来。国外的部分国家已有健全的征信体系，一旦违约还款，违约率不断上涨，个人征信也会保存记载，对后序的告贷、买房有很大的影响。所以假如告贷周期较长，且假如没有固定的作业和固定的收入的话（即便有不决收入也不一定按期归还），归还本金充溢变数，很有或许违约。

　　从图中能够看出，告贷人中工龄为10年以上频率最多。那么，咱们能够考虑一下，为什么工龄超越10年的人有告贷需求呢？且占比这么高？

　　那么能够猜想一下（个人定见），首要或许是工龄越长，告贷经过率越高（挑选后占比较高），这或许和lendingclub贷前批阅战略有关。

　　经过上图发现，美国告贷人收入水平中年收入在0-5万美元的占比榜首，30.53%左右。其次是5万-10万区间，11万-30万年收入区间占比逐渐变小。得到这张图并不简单，是对数据进行深度清洗后得到的。特别是调用了pandas的cut函数，对收入变量进行分箱处

　　lending club会对客户收入进行验证，这十分值得国内渠道学习。告贷人的收入水平信息分为三种状况：现已过LC验证，收入来历已验证，未验证。这三种状况现在从图中看出LC验证，收入来历已验证，未验证的收入数据仍是有明显差异。别的告贷等级与收入水平在全体上呈正相关的趋势。上图由seaborn的的factorplot函数生成。factorplot函数是用于多因子剖析的，十分有用。

　　一半用户房子状况是典当告贷，只要10%用户具有彻底的产权。看来美国房奴大军不小呀！接着用pandas的stack和unstack函数对grade和home_ownship两个等级变量做数据深度清洗，然后制作下图。经过调查告贷等级越高用户按揭占比越高，租房占比越低，反之亦然。自有住宅占比每个等级略有不同。

　　上图中debt_consolidation（能够了解为债款整合，借新还旧）占比榜首，占比第二高的credit_card也归属为同一类。不同渠道新债还宿债归于多头假贷行为，多头假贷会进步用户负债率，而负债率会引发经济体系性危机。经济危机会进一步进步社会基尼系数，引发社会动乱。多头假贷是一个十分灵敏的目标，不管公司仍是地方政府都应该监控此目标。

　　从前史经验看，举债展开导致住户部分高杠杆和过快的债款增速，与债款危机明显相关。如日本平成大惨淡，韩国信誉卡危机，美国次贷危机，均是居民担任短期内快速上涨，导致收入，储蓄及财物价值无法偿付债款，然后构成金融体系系危险。

　　美国上个世纪开端就发起超前消费观念影响经济，传统储蓄观念备受冷酷。但人有不愿意还钱倾向，债款越高，金融危机危险越大。2019年美国债款占GDP比重现已高到106%，也便是说美国发明的社会财富还不行还账。1970年时，债款只占GDP38%左右，由此可见华尔街贪欲程度，能够用too much, never enough来描述。很巧的是，咱们在lending club数据剖析时就发现了这猫腻，发现大多告贷人告贷意图便是新债换宿债。不管新冠状病毒是否迸发，美国金融体系现已存在严峻体系危险，并且其他国家也存在类似问题，仅仅负债程度不一样。

　　专业人士预测到2025年，美国负债占GDP比重或许到达140%，负债出现逐年上升趋势。

　　居民负债率上升，有钱人却经过房贷和钱银宽松方针获利，然后导致社会基尼系数不断上升，社会贫富差距拉大，最终导致社会动乱和战役。下图是几年前全球基尼系数，能够看到美国基尼系数在40-50，实践数据或许更大。

　　归纳收入水平与告贷用处得到上图，咱们能够发现在第四季度中，人均收入水平较高的人群告贷用于小生意，家庭生活改进，房子等。而告贷为了债款整合（占比榜首）的人群的人均收入水平在全体的中下。收入最小的一般用于医疗开支或车辆相关。这也直接证明了多头假贷的收入会越来越低，堕入贫穷圈套。

　　数据剖析和画像后，咱们能够用上述变量建模。建模型并非一切变量都运用，需求做变量挑选作业。变量相关性剖析便是最根底的变量挑选过程。咱们用seaborn的heatmap函数制作出下图变量相关性热力求后，咱们发现部分变量出现0.9高相关性

　　除了python，excel也能够制作变量相关性热力求，下图由excel生成。

　　变量相关性取值从0-1，值越挨近0，两个变量相关性越低；值越挨近1，两个变量相关性越高。下图是变量相关性数据散布。

　　金融现金贷用户数据剖析和画像_介绍视频金融现金贷用户数据剖析和画像_介绍视频

　　python金融风控评分卡模型和数据剖析概述（必看）python金融风控评分卡模型和数据剖析概述（必看）

　　「仅限付费用户」点击下载“金融现金贷用户数据剖析和画像脚本和数据.rar”

　　告贷金额和趋势剖析-2018年Q4信贷略有缩紧告贷金额和趋势剖析-2018年Q4信贷略有缩紧

　　产品周期剖析-看来lendingclub是短周期假贷产品周期剖析-看来lendingclub是短周期假贷渠道

　　住宅状况与告贷等级-本来美国大部分都是房奴住宅状况与告贷等级-本来美国大部分都是房奴

　　年收入剖析-许多美国人年薪5万美金左右年收入剖析-许多美国人年薪5万美金左右

　　告贷人收入水平_告贷等级_收入核实多因子剖析告贷人收入水平_告贷等级_收入核实多因子剖析

　　告贷用处-美国2018年金融危机浮出水面告贷用处-美国2018年金融危机浮出水面

　　箱型图box plot-最常用异常值查验办法箱型图box plot-最常用异常值查验办法