金融反欺诈和金融构建信用评分或者金融预测特征抽取案例

之前在微信朋友圈读到过这样一篇文章，施一公：“我国的最大危机，是所有精英都想干金融！”，当然，笔者是非常赞同的，因为和钱距离越近的地方，越能赚到更多的钱，所以从个人或者企业的角度出发，选择金融是正确的方向，就连程序员也不例外。

暂且不说这个危机是什么原因造成的，或体制或为了生存。作为程序员既然选择了金融，那就先把手上的工作做好。很惭愧，笔者还没有选择金融，说明还不是精英吧！

我们都知道，这几年在大数据背景下，人工智能迅速崛起，机器学习和深度学习让大家争先恐后在武装自己，然而，基于统计学习的算法一眼望去一大片，多到让你数不过来，此刻不知道大家是什么心情？恐惧吗？不妨先屏住呼吸深吸一口气，我们来看看：

目前的算法多如牛毛，算法工程师也越来越多，在刚开始学习机器学习，大家都有过这样的体会，先用简单模型，然后不断尝试变化算法，比如，从简单的线性回归、逻辑回归到决策树、SVM，以及到集成学习，最终到神经网络、强化学习等等。最后的结果并不如愿，所以只从算法角度去解决问题显然不是根本，根本是数据特征的挖掘和寻找。

在特征工程里，常见各种特征处理和挖掘特征的方法。特征常见的比如：离散的、连续的、地理特征、组合特征等等，其中组合特征是个很重要的特征，比如为什么神经网络比线性回归效果要好，大家应该都知道，神经网络能更好的表达非线性的特性，就在于存在特征组合。

回到金融领域，目前比较多的应用场景有金融反欺诈、金融信用体系构建、金融用户流失预测、现金流预测、量化交易等，其中少不了各种特征组合，除了基本面的信息，要构造大量的组合特征，下面笔者给出一些金融常见的特征组合供大家参考：

上面给出的组合特征，希望能帮助到大家。