(本文是寫給風控入門同學的建議！)

一 準備工作

根據核心職業CD法則，找工作前，你得先清楚自己有什么，自己要什么；面試單位有什么，面試單位要什么。就筆者近一年的學習及工作經驗總結而言：

科班同學，最好直接從統計分析、應用統計角度入手，從事金融、生物、醫藥等領域里的數據分析或數據挖掘相關工作；

非科班轉行來的，建議直接做金融，需要的專業知識不多，行業知識也易懂，而且信用中國還有很長的路要走，在這個領域扎根越久，收益越高，因為我們要學的這些知識首先是保值甚至是增值的。可掌握的技能基本可以選擇大數據、數據提取、處理、分析、建模這五大塊兒，內容及要求總結如下：前搞MIS(報表分析)：業務報表及報告的生產，掌握excel手動報表匯總、透視等功能，tableaue等線上BI報表制作、分析。

后搭數倉(數據提取)：數據倉庫，包括關系型、非關系型、大數據、圖數據等數據庫、數據表的設計(常為后端人員開發，數據人員需要了解表結構、字段類型等)，數據存儲、提取、轉換、清洗、處理；需熟練掌握SQL、HQL、NQL等語言，可以做json、dict、frame、pkl等數據格式的轉換。

左建模型(模型開發)：金融風控模型，不單單指評分卡，而是針對產品營銷、定價、授信、管理、催收、監測等業務流程開發的一系列策略、規則、評分卡的集合，通常我們認為，利用有監督、無監督、半監督、深度學習等算法開發的評分卡是風控模型中卓有成效的技術。

右通算法(數據挖掘)：LR、RF、XGBoost、SVM等常見算法。對跨領域轉行過來的同學來說，算法這塊，既有趣，又神秘，關鍵還難懂，讓人又愛又恨。好的算法工程師，需要扎實的計算機算法、算力、數據結構等基礎，需要扎實的概率、統計、多元回歸、矩陣等基礎，我等渣渣勵志做算法的話，3~5年起步吧。

核心懂業務：P2P、消費分期、現金貸、傳統金融、大額、小額、信用卡、車貸、抵押、資產、標的等業態；風險定價、反欺詐、信用循環、信審、提額等環節；滾動、遷徙、賬齡、遞延、回收、壞賬等指標。要懂的東西，也多也不多。

所以，除非奔著算法工程師去，否則最好的入行策略就是熟知行業業務流程，從數據庫、數據提取、數據挖掘、數據分析、風控建模等崗位中擇一良木而棲，夯實基本數據提取、挖掘、建模等流程所用到的技術。算法這塊兒，只需要掌握常用LR、樹模型等算法的原理，能夠使用編程工具實現即可。

畫個VISIO：

所有知識點都掌握，并且能夠熟練運用，已然建立體系，胸有成竹，你就可以驕傲的自封一個全能數據戰士的名號了，簡直朝陽區中最靚的仔。(悄悄說一句，全棧離經理和總監更近，產品、前后端都得給你點個贊)

那針對金融風控崗，我們的面試準備工作，就從以上幾點出發，重點從模型著手。

1、行業經驗互聯網金融風控崗位的業務理解，比如：信用循環體系；核撥率、遞延率、壞賬率等運營指標；滾動率、賬齡分析等分析指標。

風控模型的開發流程，比如：信用模型評分卡的開發、上線、優化等過程及方法。

2、知識基礎

(以下詳細內容請看筆者其他相關文章) - 數據存取與處理： 基礎能力，這是數據分析類工作的技能基礎，也是任何一個數據類工種都需要的基礎能力，不熟練的話就再學一段時間。 - 統計學習： 機器學習的基礎是概率論與統計學習，這塊兒你可以不必特別扎實，但像五位數、方差、正態分布、相關系數、假設檢驗常用知識點得了解并掌握。 - 數據挖掘： 不論是規則還是評分卡，風控建模類工作的大量工作內容就是對用戶特征的挖掘、定義、擴展、轉換、處理、分析、運用，以產生對業務有幫助的決策數據。所以特征工程來龍去脈需要懂，并且會熟練使用。 - 常用算法： 用于特征工程及建模工作，同樣不必全懂，但一到兩種常用算法的推導及一到兩種融合算法的原理必須掌握，常用的元模型為邏輯回歸、決策樹；常用的融合模型有隨機森林；神經網絡則有ANN。

3、代碼能力python | R | sas，把一門代碼類工具運用熟練即可。就python而言，像pandas、numpy、statsmodels、sklearn，這幾個包學扎實就行。

(選工具的話，建議python，別問為什么，怕被隔壁用R、spss、PHP、java、excel的媛兒們暴錘)

二 面試問題

1、風控建模談談你對風控模型的理解？

模型如何設計？ 可以從滾動率、遷徙率來回答，也可以從反欺詐、ABC卡回答。

對客群進行細分建模的本質是什么？ 其實分客群進行建模，實質也是一種交叉特征，能提高模型穩定性。

拒絕推斷應該怎么做，作用是什么？效果怎么樣？ (多查資料，博學審問慎思明辨)

簡要說明下標準評分卡開發流程 (多查資料，博學審問慎思明辨)

2、特征工程如何對數據做質量檢驗？ 在完成數據匹配工作之后，建模之前，我們需要對數據進行整體的質量檢測，主要有兩個方面： 1、數據分布。 2、數據集中度檢測。 3、數據臟亂情況。缺失值(是否隱藏風險)、離群值、錯誤值、重復值，根據其是否符合業務邏輯，判斷數據是否存在異常。

特征工程流程 關鍵詞： 特征預處理、特征選擇、特征衍生、特征提取等。用到的技術主要有連續變量離散化、分類變量啞編碼、卡方分箱、特征編碼、共線性檢驗、PCA降維、交叉驗證等。

篩選變量的常用方法 篩選變量有很多種方法，隨機森林、GBDT、邏輯回歸顯著性、VIF共線性、相關性圖譜等、隨機邏輯回歸篩選、遞歸法篩選等。

好的特征需要具備哪些優勢？ 1、穩定性高 2、區分度高 3、差異性大 4、符合業務邏輯

如何衍生特征？ 變量的衍生并不復雜，通常我們會從三種角度出發： 1、數學運算。求和、比例、頻率、平均等。 2、時間窗口。有些變量的意義只有在一段時間內才有效，所以針對時間比如說注冊如期、交易日期等變量，需要計算其到現在的時間段，完成變量的衍生。 3、交叉組合。GBDT\XGBoost、LDA主題模型、用戶畫像分等等都可以做特征衍生。 衍生出來的特征要符合實際業務含義，并且要保持穩定。

3、機器學習算法簡單介紹你熟悉的幾種算法及其在應用場景中的差別！

一些基本公式的推導，比如LR、xgb之類的，這些可以自己推導一下。

簡單評價幾種常用算法的優缺點： 1、邏輯回歸 優點：簡單、穩定、可解釋、技術成熟、易于監測和部署 缺點：一定不能有缺失數據；必須是數值型特征，需要編碼；準確度不高 2、決策樹 優點：對數據質量要求不高，易解釋 缺點：準確度不高 3、其他元模型 4、組合模型 優點：準確度高，穩定性強，泛化能力強，不易過擬合 缺點：不易解釋，部署困難，計算量大

4、模型評估模型評估的常用方法？ 從三方面回答： 1、區分度：主要有KS和GINI指標，理解KS的定義及用法 2、準確性：主要有roc曲線和AUC指標，理解AUC的定義及用法 3、穩定性：主要有PSI指標，理解PSI的定義及用法

auc和ks的關系？ 有人說auc是衡量整個模型的排序能力，KS是衡量某個分段的區分能力。

5、模型部署模型的部署上線應用類似的問題，偏開發，分析人員可能不太擅長。主要就是api接口安裝、測試、等級劃分、額度設計、風險定價、ABtest的設計等等。

6、模型監測上述一些運營數據和風控指標的關注

三 寫在后邊

在全世界，分析能力都有同質化的趨勢——大量的技術已經進入這個領域，壁壘幾乎已經沒了。長期、可持續的優勢，來自企業擁有的人才和你手里的數據。

總體而言，中國的金融科技市場是全世界最先進的，而且領先了很多。不過，在一個領域，中國的進步沒有世界上其他國家大，那就是綜合數據分析領域。如何更明智地使用數據，是全世界留給中國人的機會。關于學什么這件事情。原本一直非常猶豫要不要學習編程，現在非常明確了，這件事最好的開始時間是大學，其次是現在，而且必須是直接掌握最先進的編程語言，主攻數據挖掘和數據分析的方向，并與這方面的專業人士建立鏈接。 ——北大經濟學博士 香帥老師

風險管理絕不只是數據、模型，它是產品、流程和分析的有效結合。好的風險管理能真正理解流程，真正進入流程、著眼于流程。它能理解產品，理解客戶和競爭對手的意圖，然后將數據和分析與之結合。 ——數據驅動風險分析之父 阿什·古普塔

別怕，難者不會，會者不難，稀缺意味著價值。每當堅持不下去的時候，回頭看看你自己走過的那段路，雖然曲折，但異彩紛呈，關鍵還有這么一群可愛又努力的人陪著。

總結經驗，昂首闊步，心里裝著善良和堅強，到哪都會散發光芒。

我是正陽， 很高興能通過文字認識你，點個關注，后會有期。

微信公眾號：正陽能量場

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的风控建模 python 知乎_风控建模基本要求及面试问题小结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。