首页
-
关于我们+
-
产品与服务+
产品与服务-
-
智能营销产品 +
-
人工智能产品 +
-
大数据产品 +
-
监管合规产品 +
-
解决方案+
解决方案-
-
智能营销解决方案 +
-
人工智能解决方案 +
-
大数据平台解决方案 +
-
监管报送解决方案 +
-
客户案例+
-
AI创新中心+
-
投资者关系+
-
资源中心+
-
联系我们+
-
申请演示+
研究报告
精选技术研究及行业洞察报告，免费资源在线下载
资料下载
最新资料
银行业数智化营销体系建设思路与最佳实践
查看详情
全部资料
-
银行业数智化营销体系建设思路与最佳实践
数智化营销体系建设
本白皮书是索信达基于多年深耕银行营销科技领域总结的一套成熟的数智化营销解决方案与最佳实践，结合业界成功案例，为银行建设数智化营销体系提供参考借鉴。
-
大财富管理时代下的银行数字化转型
财富管理的数字化转型
本白皮书包含大财富管理时代下的机遇与挑战、财富管理数字化转型方向及路径、以及智能营销推动财富管理业务增长的代表案例，解锁银行财富管理高质量发展的密码。
-
标签体系设计思路与落地应用
标签体系的科学构建方法
本白皮书系统介绍了标签体系的应用场景和科学构建方法，展示了索信达灵眸标签画像平台的功能特点，并分享了多个成功的实践案例，是标签体系建设的实用指南。
-
银行业监管报送趋势与执行策略
银行业监管报送
索信达结合自身在银行业数据治理、监管报送解决方案领域的丰富经验与实践案例，以及自主研发的全景式监管合规平台产品，整理成干货资料，以白皮书的形式与大家分享，致力为金融机构监管报送与合规发展贡献经验。
-
金融数字生态落地策略和行动路径
金融数字化转型框架
本白皮书基于索信达多年来服务于金融行业数字化转型积累的实践经验，提出“2345”框架，即两大挑战、三大趋势、四大策略及五大行动。希望以此为金融机构在数字化转型道路上行稳致远，开启创新新进程，释放变革新动能提供借鉴参考。
-
数据智能下的金融数字化转型
数据智能下的金融场景
本报告系统梳理了数据智能下金融场景的典型应用案例和代表厂商，对金融业的数字化转型路径和未来趋势做出了预判。
-
社交网络中的网络表示学习技术
社交网络
传统的网络表示一般使用高维的稀疏向量。但是高维稀疏的表示也成为了人们使用统计学习方法时的局限所在，因为高维的向量将会花费更多的运行时间和计算空间。随着表示学习技术的发展，研究者转而探索将网络中的节点表示为低维稠密的向量表示方法，有效融合网络结构与节点外部信息，形成更具区分性的网络表示成为挑战
-
（下）基于网络结构约束的可解释性神经网络
SOSxNN 模型
本章首先通过模拟实验来测试 SOSxNN 模型的性能。结果显示，SOSxNN 模型能够将复杂函数分解成几个较为简单的成分，并取得与经典黑盒算法相近的预测精度。然后，我们使用美国 P2P借贷公司 Lending Club 数据集来展示 SOSxNN模型在金融领域的应用。
-
（上）基于网络结构约束的可解释性神经网络
强神经网络模型的预测精准度和可解释性
开发机器学习算法来解决现实生活问题时，模型的预测精准度和可解释性是两个最重要的目标。深度学习中的神经网络一般具有高精准性，但由于模型复杂往往难以解释。
-
基于XGBoost的信用评分模型（下）
xgboost sklearn
本文使用xgboost包来训练模型，并结合sklearn包的网格搜索函数来寻找最优参数。调参时，先给每个参数一个固定的取值，再给出需要调节的参数的取值范围同时保持其他参数值不变，由此计算该参数的不同取值下模型的AUC评分，最大的AUC分数对应的参数值即为该参数的的最优取值，将此时的最优参数值替代模型中该参数的给定值再按此方法进行下一个参数的调节。
-
基于XGBoost的信用评分模型（上）
XGBoost算法
金融行业经常需要对客户的信用风险进行评价，评价时通常是对用户的一 些属性特征建立相应模型，根据模型结果来判断用户的信用风险情况。
-
基于SVDD算法的半监督风控模型
半监督算法：SVDD
本文主要是介绍一种半监督算法——SVDD:该算法是传统SVM的一种扩展，能用于异常值(奇异值)检测和极度不平衡数据的分类问题。该算法根据样本中有标记的这类样本的特性构建一个球面作为决策边界，使用该球面来判断剩下无标记样本的属性，无标记样本能落在球内则判断为正样本
