大数据金融与征信（第2版）

第1章  大数据金融概述 1
1.1  大数据概述 2
1.1.1  大数据的内涵与特征 2
1.1.2  大数据的分类 6
1.1.3  大数据的价值 7
 1.2  大数据应用领域 9
1.2.1  商业 10
1.2.2  通信 11
1.2.3  医疗 13
1.2.4  金融 15
 1.3  大数据金融的内涵、特点与优势 18
1.3.1  大数据金融的内涵 18
1.3.2  大数据金融的特点 18
1.3.3  大数据金融相对于传统金融的优势 19
 1.4  大数据使金融业大变革 20
1.4.1  大数据使银行业大变革 20
1.4.2  大数据使保险业大变革 21
1.4.3  大数据使证券业大变革 23
1.4.4  大数据使征信行业大变革 24
 1.5  大数据金融模式 26
1.5.1  平台金融模式 26
1.5.2  供应链金融模式 27
1.6  大数据金融信息安全 28
 1.7  大数据应用案例 28
1.7.1  案例之一：北京市政交通一卡通 28
1.7.2  案例之二：大数据与美团外卖的精细化运营 30
本章总结 39
本章作业 40
第2章  大数据分析方法 41
2.1  大数据处理流程 42
2.1.1  数据采集 42
2.1.2  数据预处理 43
2.1.3  数据存储 44
2.1.4  数据挖掘 44
2.1.5  数据解释 45
2.2  数据来源 45
2.2.1  核心数据 46
2.2.2  外围数据 47
2.2.3  常规渠道数据 48
2.3  大数据架构 49
2.3.1  HDFS系统 52
2.3.2  MapReduce 56
2.3.3  HBase 58
2.4  数据挖掘方法 59
2.4.1  分类分析方法 59
2.4.2  回归分析方法 68
2.4.3  其他方法 71
本章总结 74
本章作业 75
第3章  大数据相关技术 77
3.1  物联网技术 78
3.1.1  物联网技术概述 78
3.1.2  物联网技术的系统架构 78
3.1.3  物联网技术的发展历程、现状及趋势 80
3.1.4  物联网的关键技术 80
3.2  云计算技术 87
3.2.1  云计算概述 87
3.2.2  云计算系统架构 88
3.2.3  云计算的发展历程、现状与趋势 90
3.2.4  云的服务模式 92
3.3  人工智能技术 93
3.3.1  人工智能技术概述 93
3.3.2  人工智能技术的层次结构 94
3.3.3  人工智能技术的发展历程、现状与趋势 95
3.3.4  人工智能中的关键技术 97
3.4  大数据技术与三种技术的关系 102
本章总结 103
本章作业 104
第4章  大数据在商业银行中的应用 105
4.1  客户关系管理 106
4.1.1  客户细分 106
4.1.2  预见客户流失 108
4.1.3  高效渠道管理 109
4.1.4  推出增值服务，提升客户忠诚度 109
4.1.5  案例——大数据帮助商业银行改善与客户的关系 110
4.2  精准营销 110
4.2.1  客户生命周期管理 111
4.2.2  实时营销 112
4.2.3  交叉营销 113
4.2.4  社交化营销 114
4.2.5  个性化推荐 115
4.3  信贷管理 116
4.3.1  贷款风险评估 116
4.3.2  信用卡自动授信 118
4.3.3  案例——大数据为商业银行信贷管理提供更多可能 119
4.4  大数据与风险管理 120
4.4.1  大数据风险控制与传统风险控制的区别 120
4.4.2  基于大数据的银行风险管理模式 123
4.4.3  反欺诈 129
4.4.4  反洗钱 132
4.5  运营优化 134
4.5.1  市场和渠道分析优化 135
4.5.2  产品和服务优化 137
4.5.3  网络舆情分析 138
4.5.4  案例——大数据分析助力手机银行优化创新 140
本章总结 141
本章作业 142
第5章  大数据在证券行业中的应用 143
5.1  大数据在股票分析中的应用 144
5.1.1  基于基本面分析的数据挖掘方法 144
5.1.2  基于技术分析的数据挖掘方法 145
5.1.3  决策树法的应用 146
5.1.4  聚类分析法的应用 147
5.1.5  人工神经网络算法的应用 148
5.2  客户关系管理 151
5.2.1  客户细分 151
5.2.2  客户满意度 154
5.2.3  流失客户预测 156
5.3  投资情绪分析 159
5.3.1  投资者情绪的测量 159
5.3.2  基于网络舆情的投资者情绪分析 161
5.4  大数据与智能投顾 166
5.4.1　智能投顾概述 166
5.4.2　大数据与智能投顾服务系统 167
5.4.3  大数据智能投顾平台技术架构 168
5.5  大数据与量化交易 170
5.5.1  量化交易概述 170
5.5.2  量化交易策略 172
5.5.3  量化交易中的主要分析技术 177
5.5.4  量化交易的风险与控制 177
5.5.5  大数据在量化交易中的应用 178
本章总结 183
本章作业 184
第6章  大数据在保险业中的应用 185
6.1  大数据保险 186
6.1.1  大数据保险的概念和特征 186
6.1.2  保险业大数据应用的阶段 187
6.1.3  大数据在保险行业中的作用 188
6.1.4  大数据下的数据服务架构 189
6.1.5  保险业大数据应用现状 191
6.2  承保定价 193
6.2.1  大数据与传统保险定价理论 194
6.2.2  大数据对承保定价的革新 194
6.2.3  大数据在车险定价中的应用 196
6.2.4  大数据在健康险定价中的应用 200
6.3  精准营销 206
6.3.1  保险精准营销 206
6.3.2  大数据与保险精准营销 208
6.3.3  组建垂直平台生态圈 211
6.3.4  大数据精准营销在保险业中的应用 213
6.4  欺诈识别 214
6.4.1  保险欺诈 214
6.4.2  大数据与保险反欺诈 216
6.4.3  大数据与车险反欺诈 220
6.4.4  大数据与健康险的理赔风险 222
本章总结 225
本章作业 226
第7章  大数据征信 227
7.1  传统征信 228
7.1.1  征信概述 228
7.1.2  征信的基本流程 235
7.1.3  征信行业产业链 238
7.1.4  征信产品 238
7.1.5  征信机构 242
7.1.6  征信体系 244
7.2  大数据征信 250
7.2.1  大数据征信概述 250
7.2.2  大数据征信的理论基础 253
7.2.3  大数据征信流程 256
7.3  大数据征信典型企业 257
7.3.1  国外大数据征信典型企业 257
7.3.2  国内大数据征信典型企业 262
本章总结 268
本章作业 269
第8章  大数据信用评分方法 271
8.1  信用评分概述 272
8.1.1  信用与信用评分的内涵 272
8.1.2  信用评分与信用评级的比较 274
8.1.3  信用评分的应用领域 275
8.1.4  我国个人信用评分发展现状 276
8.1.5  大数据信用评分与传统信用评分的比较 278
8.2  数据挖掘与大数据信用评分 280
8.2.1  数据挖掘在大数据信用评分中的重要性 280
8.2.2  基于数据挖掘的信用评分模型构建步骤 281
8.3  大数据信用评分方法 283
8.3.1  传统信用评分的方法 283
8.3.2  大数据信用评分方法 285
8.3.3  信用评分模型准确度的效果评估指标 287
8.4  大数据信用评分典型案例 290
8.4.1  国外大数据信用评分案例 290
8.4.2  国内大数据信用评分案例 295
本章总结 302
本章作业 302
第9章  大数据与中国金融信息安全 303
9.1  金融信息安全的重要性 304
9.1.1  金融信息安全的含义 304
9.1.2  金融信息安全的属性特征 305
9.1.3  金融信息安全的重要性 306
9.2  大数据给我国金融信息安全带来的机遇和挑战 308
9.2.1  大数据给金融信息安全带来的机遇 308
9.2.2  大数据给我国金融信息安全带来的挑战 309
9.2.3  案例：美国“棱镜门”事件 311
9.3  大数据金融信息安全风险 315
9.3.1  大数据金融信息安全风险的类型 315
9.3.2  大数据金融信息安全风险的特征 318
9.3.3  国内外金融信息安全事件及事故 320
9.4  我国金融信息安全现状及制约因素 324
9.4.1  我国金融信息安全现状 324
9.4.2  我国金融信息安全的制约因素 325
9.5  美国金融信息安全保障机制 326
9.5.1  美国金融信息安全保障机制的特点 327
9.5.2  美国金融信息安全保障机制的主要做法 327
9.6  我国金融信息安全建设 329
9.6.1  完善顶层设计，尽快构建适应我国金融发展需要的金融信息安全保障体系 329
9.6.2  尽快制定我国金融行业国产信息技术产品和服务替代战略 329
9.6.3  尽快制定金融行业自主可控战略实施步骤，推进自主 可控国家战略 329
9.6.4  应用大数据进行信息安全分析 330
本章总结 330
本章作业 332
参考文献 333