295 浏览金融科技（FinTech）领域常用的分析模型，涵盖风险管理、用户行为分析、反欺诈、信贷、支付、区块链、量化投资等多个模块，每个模型都给出用途、核心方法、适用场景，可用于论文写作、数据建模、项目分析或实务应用。
金融科技相关分析模型
一、风险管理类模型
1. 信用评分模型（Credit Scoring Models）
方法： Logistic回归、随机森林、XGBoost、LightGBM、神经网络
用途： 信用风险评估、风控评分卡、信贷审批
场景： 互联网小贷、银行零售信贷、消费金融
特点： 可解释性与预测能力兼顾
2. PD/LGD/EAD 三段式风险模型
PD（违约概率）
LGD（违约损失率）
EAD（违约暴露额）
用途：
银行资本计量（巴塞尔协议）
金融科技公司风控定价模型
3. 风险预警模型（Early Warning Models）
方法： Hochberg、Probit模型、时间序列模型、机器学习模型
应用：
P2P风险监测
平台爆雷预警
企业经营风险预警
4. 信用违约模型（Credit Default Models）
结构方法： Merton模型、KMV模型
度量方法： CreditMetrics、CreditRisk+
用途： 金融科技资产证券化、ABS风控、信用债风险评估
二、反欺诈与异常检测类
5. 反欺诈模型（Fraud Detection Models）
技术：
异常检测（Isolation Forest、LOF）
图神经网络GNN（识别社交关系欺诈团伙）
序列模型（LSTM、Transformer检测操作行为轨迹）
场景： 支付欺诈、申请欺诈、羊毛党识别
6. 行为特征模型（Behavioral Biometrics）
分析指标： 操作轨迹、键盘节奏、设备指纹、GPS轨迹
用途： 支付风控、移动银行反欺诈
三、用户运营与营销分析模型
7. 用户生命周期价值模型（CLV）
方法： RFM模型、BG/NBD模型、Gamma-Gamma模型
用途： 精准营销、留存提升、用户细分
8. 用户分群模型（Customer Segmentation）
方法： K-means、GMM、层次聚类、LDA主题模型
场景： 互联网银行、支付平台、电商金融
9. 客户流失预测模型（Churn Prediction）
方法： XGBoost、SVM、深度学习
用途：
提前识别即将流失的用户
用户增长运营
四、支付与交易类模型
10. 支付风险评分模型（Payment Risk Scoring）
技术：
高频交易序列分析
交易网络图谱分析
应用： 支付反欺诈、转账风险识别
11. 动态限额模型（Dynamic Limit Modeling）
根据用户风险等级动态调整：
付款限额
提现限额
信贷额度
常用方法： 分层限额 + 风险阈值 + 历史行为窗口
五、量化投资与金融市场建模
12. 因子模型（Factor Models）
模型： CAPM、Fama-French三因子、Carhart四因子、多因子模型
用途： 股票收益归因、量化策略构建
