爱打篮球的Allen-优快云博客

原创信贷自营模式（二）之股东协同

1.定义：股东协同是指金融机构与其股东之间通过资源整合、优势互补，共同推动业务发展的合作模式。如招联消费金融通过和股东招商银行、联通合作去发展信贷业务就是股东协同的经典案例。2.根据股东类型可以将金融机构划分为以下4种银行系：银行系金融机构是指由银行主导或参股，如招联消金(招商银行)，建信消金（建设银行），银行系金融机构的核心竞争力在于资金优势、风险识别及定价能力，品牌认可度，在同业拆借等方面可以获得低成本资金。产业系。

2025-09-01 20:35:13 999

原创信贷四大商业模式及五类金融机构

当前信贷市场呈现多元化发展格局，主要形成自营、助贷、联合贷和增信四大模式。自营模式由持牌机构全流程把控，优势在于数据主权和利润最大化，但面临获客成本高和风控能力不足的挑战。助贷模式实现流量与资金分离，具有轻资产优势，但存在风控权空心化等问题。联合贷通过多方合作分散风险，却可能引发策略冲突。增信模式通过担保转移风险，但需关注代偿能力和合规性。各类机构各具特色：互联网平台依托流量优势快速扩张，银行系聚焦优质客群，消金和小贷公司则在细分领域发力。未来信贷市场将持续优化创新，形成更加丰富的生态体系。（149字）

2025-08-28 10:35:32 1698

原创信贷风险管理之分客群

信贷风控的差异化分群策略研究摘要：针对当前信贷市场动态变化的特点，研究提出差异化风控分群策略的必要性和实施路径。通过将客户划分为低、中、高风险三类，分别采取风险压舱、价值平衡和动态监控等差异化策略。研究总结了五种主流分群方式（渠道类型、新老客、用户画像、用户状态、风险特征），并提出了分群效果的四项评价标准（稳定性、差异性、可解释性、策略效率提升）。结果表明，科学的客群划分能显著提升风控精准度，在相同风险水平下可使批核率提升20%。研究强调，分群策略应成为金融机构全价值链决策的核心基础设施，以在复杂信贷环境

2025-08-21 19:01:10 1412

原创信贷风险管理之回捞策略

摘要：随着信贷市场竞争加剧，金融机构通过回捞策略挖掘被风控拒绝的客户价值，成为第二增长曲线。回捞通过补充数据、细化客群等方式二次筛选客户，提升通过率与规模效益，成本仅为新客获客的1/5。其理论基础在于风控模型的样本偏差与策略阈值模糊性，实操中可采取客群定向、模型边界、数据补充等6类策略，并辅以定价、额度、产品形态等缓冲机制降低风险。评估需关注批核、风险、收益三维指标，如回捞占比（≤10%）、逾期率、收益阈值（≥200BP）。策略迭代遵循正/负反馈循环，动态优化风控边界。回捞本质是驾驭风险而非规避风险，需精

2025-08-21 18:48:25 890

原创 python库汇总

目录1、库名称简介 2、文件处理 3、图像处理 4、游戏和多媒体 5、大数据与科学计算 6、人工智能与机器学习 7、系统与命令行 8、数据库 9、Web框架 10、安全 11、GUI库1、库名称简介Chardet 字符编码探测器，可以自动检测文本、网页、xml的编码。colorama 主要用来给文本添加各种颜色，并且非常简单易用。Prettytable 主要用于在终端或浏览器端构建格式化的输出。difflib，[Python]标准库，计算文本差异Levenshtein，快速计

2022-04-12 17:17:43 1129 1

原创 pycharm常用快捷键

1、常规操作Ctrl + Space 基本的代码完成（类、方法、属性）Ctrl + Alt + Space 快速导入任意类Ctrl + Shift + Enter 语句完成Ctrl + P 参数信息（在方法中调用参数）Ctrl + Q 快速查看文档F1 外部文档Shift + F1 外部文档，进入web文档主页Ctrl + Shift + Z --> Redo 重做Ctrl + 悬浮/单击鼠标左键简介/进入代码定义Ctrl + F1

2022-03-21 22:30:09 288

原创 12、pandas 数据类型转换

1、 Pandas所支持的数据类型:floatintbooldatetime64[ns]datetime64[ns, tz]timedelta[ns]categoryobject默认的数据类型是int64,float64.2、转换数据类型的思路使用astype()方法强制转化dtype自定义一个数据转换函数函数使用pandas内置的tonumeric()和todatetime()导入数据时转换数据类型3、astype()函数df.astype(dtype, copy.

2022-02-13 22:16:03 13243

原创 11、pandas：value_counts() 统计函数详细介绍

1、value_counts() 统计数值value_counts() 某列值出现的次数1.1 基本语法DataFrame.value_counts(subset=None, normalize=False, sort=True, ascending=False, dropna=True)参数为：subset:

2022-01-27 15:46:28 4232

原创 10、pandas：排序sort_values、index_values

1、 sort_values() 对DataFrame某列或者多列的值进行排序DataFrame.sort_values(by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last', # last，first；默认是last

2022-01-27 15:20:20 1929

原创 14、Pandas：query()函数

1、基本使用import pandas as pddf = pd.DataFrame( {'A': ['e', 'd', 'c', 'b', 'a'], 'B': ['f', 'b', 'c', 'd', 'e'], 'C': range(0, 10, 2), 'D': range(10, 0, -2), 'E.E': range(10, 5, -1)})我们现在选取 A列字母出现在B列的所有行。先看两种常见写法>>> df[d

2022-01-20 20:26:27 3063

原创 python 37

python 37

2022-01-06 23:00:00 168

原创 python 34

python 34

2022-01-06 18:31:25 181

原创 python 33

python 33

2022-01-06 18:30:55 116

原创数据仓库DW、ODS、DM概念及其区别

整体结构在具体分析数据仓库之前先看下一下数据中心的整体架构以及数据流向DB 是现有的数据来源，可以为mysql、SQLserver、文件日志等，为数据仓库提供数据来源的一般存在于现有的业务系统之中。ETL的是 Extract-Transform-Load 的缩写，用来描述将数据从来源迁移到目标的几个过程：Extract，数据抽取，也就是把数据从数据源读出来。Transform，数据转换，把原始数据转换成期望的格式和维度。如果用在数据仓库的场景下，Transform也包含数据清洗，清洗掉噪音数据。

2022-01-05 10:03:53 1099

原创 python 19

python 19

2022-01-05 09:58:00 1983

原创 python 23

import numpy as np

2022-01-04 19:07:19 244

原创 DataFrame(11)：时间处理

DataFrame(12)：日期处理

2021-12-16 15:12:32 3607

原创 DataFrame(10)：数据合并

DataFrame(10)：数据合并

2021-12-16 15:11:40 215

原创 DataFrame(2)：基本运算

DataFrame(2)：常见运算

2021-12-16 14:48:17 2226

转载 python风控建模—深入理解风控中的 KS 原理

一、业务背景在金融风控领域，常常使用KS指标来衡量评估模型的区分度（discrimination），这也是风控模型最为追求的指标之一。下面将从区分度概念、KS计算方法、业务指导意义、几何解析、数学思想等角度，对KS进行深入剖析。二、直观理解区分度的概念在数据探索中，若想大致判断自变量x对因变量y有没有区分度，常会将样本分为正负来观察变量的分布差异。那么，如何判断自变量是有用的？直观理解，如果两个分布的重叠部分越小，代表正负样本的差异性越大，自变量就能更好的将正负样本区分开来。具体如图1所示。打个比方

2021-11-22 19:20:58 1717

原创 DataFrame(7)：缺失值处理

DataFrame(7)：缺失值处理1、替换字符例如把字符‘A’ 替换为字符‘B’data.replace(to_replace="A", value='B') to_replace:替换前的值， value:替换后的值2、判断缺失值是否存在（1）pd.notnull(dataframe) #新DataFrame（boolen类型）（2）np.all(pd.notnull(dataframe)) #true/false（3）pd.isnull(datafr

2021-11-22 18:02:22 5737

原创 Python实现求lift、woe、iv的函数

#求lift、woe、ivdef get_lift_and_dist(df, user_id, model_score, label_name): #df 数据 label_name:逾期指标 good_group_cnts = df.loc[df[label_name] <= 0].groupby([model_score])[user_id].count() bad_group_cnts = df.loc[df[label_name] > 0].groupby([m

2021-11-19 11:48:14 3468

原创 DataFrame(1)：DataFrame的基本属性和方法

一、DataFrame的基本属性和方法dataframe.shape 元组返回dataframe形状dataframe.head(3) 新DataFrame 获取前三行，默认获取前五行dataframe.tail(3) 新DataFrame 获取后三行，默认获取后五行dataframe.index 获取indexdataframe.columns 获取columns， DataFrame的列索引列表dataframe.values 获取values 获取所有value

2021-11-19 11:11:15 5329

原创 DataFrame(9)：DataFrame对文件操作

1、读取文件1.1 读取csv文件pd.read_csv(“路径”) data = pd.read_csv('data.csv',encoding='gbk',header=None)1.2 读取txt文件pd.read_table(“路径”) 1.3 读取excel文件 pd.read_excel(“路径”)1.4读取json文件pd.read_json(“路径”) data = pd.read_json(data,orient='split')1.5读取sql文件

2021-11-18 17:31:25 1087

原创 DataFrame(3)：DataFrame列的操作

列#1、loc和ilocloc适用于索引中的标签。iloc在索引中的位置上起作用。##1.1 loc基于行标签和列标签（x_label、y_label）进行索引.loc先行后列，中间用逗号（,）分割，#取 a 和 A 对应的数据df.loc[‘a’,‘A’]#取前两行对应数据df.loc[‘a’:‘b’,:]#取前两列对应数据df.loc[:,‘A’:‘B’]#取前两行和前两列对应数据df.loc[‘a’:‘b’,‘A’:‘B’]#上面的例子取的都是连续的行和列，若取第一行和第四行、第一

2021-11-17 20:08:34 2057

原创常用软件3-MySQL的下载与安装

一、MySQL的下载1、从我百度网盘下载链接：https://pan.baidu.com/s/1ppzXuykRXL4hwxbFOn6HAA提取码：hzlf2、从官网下载首先进入MySQL 的官网：https://www.mysql.com/。点击DOWNLOADS 导航栏，再点击MySQL Community (GPL) Downloads（社区版），最后点击MySQL Community Server 即可进入MySQL 数据库的下载页面。进入MySQL 数据库的下载界面后，首先在“

2021-08-10 18:23:04 409

原创常用软件1-pycharm的安装教程

PyCharm 是一款功能强大的 Python 编辑器，具有跨平台性，鉴于目前最新版 PyCharm 使用教程较少，为了节约时间，来介绍一下 PyCharm 在 Windows下是如何安装的。这是 PyCharm 的下载地址：http://www.jetbrains.com/pycharm/download/#section=windows进入该网站后，我们会看到如下界面:professional 表示专业版，community 是社区版，推荐安装社区版，因为是免费使用的。1、当下载好以后，点击安

2021-08-10 17:46:44 409

lghpy的博客