人工智能金融风控与投资手册.docxVIP

金融风控与投资手册

第1章基础与数据治理

1.1机器学习与深度学习核心原理

机器学习（MachineLearning,ML）的核心在于通过“经验”而非“规则”来学习数据规律，其本质是将输入数据映射为输出结果的函数，分为监督学习、无监督学习和强化学习三大类。在金融风控中，监督学习是最常用的场景，例如利用历史贷款违约数据训练模型，通过输入“借款人的收入、负债率、征信历史”等特征，输出“是否违约”的预测结果。深度学习（DeepLearning）是机器学习的高级形式，通过多层神经网络自动提取数据的高层抽象特征，无需人工设计复杂的特征工程。在金融领域，卷积神经网络（CNN）常被用于处理图像类数据（如人脸识别），而循环神经网络（RNN）或Transformer架构则擅长处理长序列数据，例如分析客户长达10年的交易流水以捕捉潜在的长期风险模式。

模型训练过程通常遵循“输入特征$\rightarrow$前馈网络$\rightarrow$损失函数$\rightarrow$反向传播$\rightarrow$权重更新”的闭环迭代逻辑，通过最小化预测值与真实值之间的差异来优化参数。在金融场景中，损失函数（如二分类问题下的交叉熵损失或多分类问题下的FocalLoss）直接决定了模型对高风险样本的敏感度，防止模型因过度拟合而忽略极端案例。模型的泛化能力是指模型