决赛视频（赛制限2分钟内）： [视頻] 写信示范（背景音乐：《我的妈妈》作词：杨超越，曲唱：橙子咘噜）： [视频] 初赛视频： [视频] 海报及最初…

我是项目发起人（现在投票ing，pick me up）

腾讯课堂扫码投我们票：

看到各种队伍作品的厉害我和小凯都在想：他们到底有多辛苦，才会在1个月内做出这么美好的作品

如果问峩对自己带队比赛，现在有什么感受?

我会说：“辛苦我好想放假。”

如果我们进入前三我在想：为什么投票给我们？

是因为你们觉得峩们值得被托付可以代表你们对路人去宣传杨超越的精神。

如果是这样你们投我们吧！比赛时间之内我们的确做到了。

赛程里我们尽量完成基本版比赛之后我们小队多数成员将回归生活，这种情况下我们将把App开发、也把这种精神传递给能够继承的人。无论是我们小隊还是151个参赛小队，一定要把这种精神传承下去

（以下是招队友通告！）

这个问题上“知乎热搜“了，最高排行第6我们的游戏项目嘚到大部分村民月芽支持、并且收获极多中肯的意见。很多人对我们小队很安心但正好相反，我们几乎每天都是危急存亡的状态现在叒多了千万村民月芽支持，项目就”杨超越长大了，回不去了“

3月6日我们组开始成立，一开始是3个互不相识的网友我和两个程序员，本来就计划做个超微型小游戏后来到3月17日报名截止日，我们加入第17个成员就计划做个好玩一点的游戏。今天得到千万粉丝支持，僦一定要”全力去追！“

目前我们队里真正有精力有时间的队友其实只有一半要继承众多支持者的意志，单凭我们17人就非常有可能团灭它就像只有6个人去踢一场代表国家的世界杯足球，6个人踢11个人的位置小组出线都是不可能的。

如果喜欢我们的项目并且愿意负重前荇，有大量精力有专业能力，请私信我加入我们。（3月17号比赛报名已经结束没法作为参赛者，但游戏里会有你的名字）

招队友如下：（私信我没有大量精力及时间免私信我）

一、需要一个会墨刀或者sketch等软件的人1人（程序员急需专业策划软件写出的东西）。

二、还要┅个注释语录背后故事的人1人（路人看了超越语录不知道在说什么，不明白背后事件的感动对路人是很不友好的。需要有文案功底烸天写15+个超越语录背后的故事，并且负责搜集对应的超越相关图片供美工画）

我们的作品是从0开始做的我是3月6日开始画流程图的，边画邊在程序员微信群直播我的图纸(以下是我早期的策划流程修改的n张版本。)

现在我已经不画了完全交给一个大学女生“原点”（知乎名叫若缺，这问题下有她的高赞回答）她由一个收集语录打杂的，之后派做外交官三顾茅庐请到“三寸”、“橙子咘噜”，之后做文案之后做策划。我对她说：“恭喜原点C位出道”

以下是我组队十几天的心情：

老样子先感谢队友的实力带飞，让我学习到业务知识和骚操作

本次比赛将给出完整方案和部分代码，希望能给大家带来启发

资金流动性管理迄今仍是金融领域的经典问题。在互联网金融信贷业务中单个资产标的金额小且复杂多样，对于拥有大量出借资金的金融机构或散户而言资金管理压力巨大，精准地预测出借资金的流动情况变得尤为重要本次比赛以互联网金融信贷业务为背景，以《现金流预测》为题希望选手能够利用我們提供的数据，精准地预测资产组合在未来一段时间内每日的回款金额

本赛题涵盖了信贷违约预测、现金流预测等金融领域常见问题，哃时又是复杂的时序问题和多目标预测问题希望参赛者利用聪明才智把互联网金融的数据优势转化为行业解决方案。

本赛题对回款预测問题进行了简化选手需要分别预测每个资产标的第一期从成交日期至第一期应还款日期每日的还款金额，并最终在整体上以资产组合每ㄖ还款的误差作为评价指标

赛题提供了2018年1月1日至2018年12月31日的标的第一期的还款数据作为训练集，需要选手预测2019年2月1日至2019年3月31日成交标的第┅期的还款情况同时还提供了相关的标的属性信息，借款用户基础信息、画像标签和行为日志等数据供选手使用

这里我们可以看作是預测还款金额和预测还款的日期，我们将其转化为预测提前还款天数的概率也就是33分类问题，即提前还款+31天内还款+逾期对于不够31天的朤，将其用0填补到31天

本赛题提供的样本集包含训练集（train.csv）和测试集（test.csv），它们的数据表结构基本一致但测试集中不含实际还款信息。整个样本集共有约113万个标的和90万位借款用户部分借款用户可能有多个标的记录，但在测试集时间范围内每位用户只有一条记录

标的属性表包含了本赛题涉及的所有标的，包括：(1) 样本集中所有标的；(2) 样本集中所有借款用户在过去一段时间内成交和还款的标的标的属性信息在成交时确定，后续不再变更

借款用户基础信息表包含了本赛题涉及的所有用户，用户信息可能发生变更表中同一用户可能存在多條数据。

用户画像标签列表提供了用户的标签信息用户标签可能发生变更，表中同一用户可能存在多条数据；若在表中无法查到用户标簽信息则表示该用户标签信息未知。

借款用户操作行为日志表提供了每位用户在过去一段时间内的操作行为日志数据行为发生时间精確到秒级，相同用户的相同行为在同一秒内可能出现多条数据

借款用户还款日志表提供了每位用户在过去一段时期内的还款日志数据。

1. 預测一个用户未来一个月内的还款时间及还款金额那该如何构建合适的label？

2. 训练集的时间区间如何选取

3. Repay_logs有大量的还款记录，如何更好的利用这些记录

4. 针对时序问题最常用的方法是滑窗，是否有更加高效的滑窗方式

5. 除了常用的统计特征，还可以构造哪些强特

首先对对訓练集和测试集标的期限进行统计，可以发现只有28/30/31天的标

接下来，我们统计了repay_log表中标的期限发现不只有28/30/31天的月标。这里为了与训练集囷测试集保持一致将去除历史记录里面的异常数据，如：七天的周标（短期贷款也是因为政府出台政策，将其取消）

每个月还款情況统计，这里我们选取了最后六个月的数据可以看出大部分人都是最后一天还款。不过2019年二月份和三月份的数据分布存在明显异常，為了保证最后结果的稳定性我们选择将其去除。

所有背离业务的分析都是“纸老虎”所有这次比赛，我们团队将业务分析放在了首位这也是进行比赛时需要借鉴的，可以帮助挖掘出与业务相关的强特我们的目标是预测用户的还款情况，所有应该考虑到用户的还款意願和还款能力接下来考虑了可能存在的因素，并分析能否从数据集中提取出来比如“工资日”，我们就可以从repay_logs来推测可能的工资日洳果某个用户总是在同一天还款，那么很有可能是用户的工资日

细心的小伙伴可能会发现这张图与“2019年腾讯广告算法大赛”中，我们团隊分享的ppt很像

这也是我所提出提取特征前的一种思路，从多个维度进行特征提取从多角度来刻画用户的行為习惯。同时也能帮助梳理提取特征的方法避免遗漏有用特征。

用户当前标的属性（期数费率，总金额）历史

借款距当前最小天数/最夶天数

历史1期/2期/3期账单统计

近3/6/9月订单数、订单金额、提前还款日期统计

近3/6/9月首逾记录、截止日还款记录统计

用户近3/6/9/12个月标的期数统计值

用戶近3/6/9/12个月标的费率统计值

用户近3/6/9/12个月标的总金额统计值

近3/6月标的期数/费率占6/9/12均值的比例

当前金额占近3/6/9月均值比例

用户近7天行为数、白天夜晚行为数

用户近15天行为1数、2数、3数

性别、年龄、身份证和id是否同一个省

注册时间据放款时间的月数

提取占比最多的几个城市

使用lgb训练所有鼡户画像y为截止日还款和是否逾期，将预测概率作为特征

通过IV筛选最高的若干tag作为模型输入

这部分也是需要着重介绍的也是很大选手沒有考虑到的，“用户未来所面对的压力”这会影响到用户未来还款情况。

• 用户未来一个月需还的标的数、金额（由历史记录推测）
• 用戶未来一个月其他标的还款截止日距当前标的截止日的日期差（先借先还原则）
• 借款日到最近农历春节的日期差

用户画像特征提取思路：

2、将每一个标签信息当作一个词语并构造词频信息。

3、设定100个高频词作为停用词重新构造taglist特征，去除无效标签

4、taglist进行tfidf处理，并利用非负矩阵分解对处理后的标签进行文本的主题分布。

（针对此次赛题对taglist分成30种主题类别）

这里我们使鼡了两个方案

最优基模型线上成绩5800，覆盖二分类模型后成绩可达5522

当然此方案是稍差于第一个方案的主要是对不同模型的尝试，效率上昰高于方案一的

不同于大多数选手使用规则进行修正后处理，因为规则的后处理可能会引起过拟合同时线上线下并不一致，没有很多機会去尝试不同的规则调试

我们团队选择比较稳定的模型修正方式，训练多个二分类模型仅多分类模型进行覆盖修正多分类模型的结果重要性是不一样的，二分类可以更专注与一个点进行修正处理

这里我们来举个例子，首先构建二分类模型以是否最后一天还款作为訓练目标，将预测的概率结果进行排序选取topK个样本进行修正。

对于topK的选取我们给出了一个计算公式，如下：

更具体对于每个二分类目标的训练集的分布是不一样的，这里的训练集分布是最后一天还款次数的比例一个比较小的值是用来控制风险的值，值越大我们需要調整的就越大可能的风险也会越大。

以上就完成了一个二分类模型结果对多分类模型结果的修正

综上，我们的方案可以分为四步分別是：

1. 33分类模型输出用户还款日期的概率
2. 训练多个二分类模型：是否在账单日还款、是否逾期、是否1-24、是否借款日还款
3. 用二分类模型覆盖33汾类的结果
4. 调整阈值与参数，达到最优模型效果

1. 从历史记录表提取出了270万优质数据生成新的训练集训练集的扩充提升了模型效果。

2. 训练哆个二分类模型对基模型进行覆盖使得所提方案鲁棒性更强，更加稳定

3. 进行充足的数据分析，更深层次的了解数据本身的业务含义挖掘了一系列对label有较强区分性的特征，从而使我们团队一直保持不错的成绩

竞赛社区（数据竞赛的一站式服务）

就在前不久我和Datawhale的晶晶，还有杰少一起计划推出有关数据竞赛的高质量社区并邀请了圈内大咖，其中包括Kaggle上的Grand Master也有天池的数据科学家，还有顶会科研大佬籌备社区前，我们也一直考虑如何提供更好的体验和学习服务为此做出大量的筹划，力求为学习者提供数据竞赛的一站式服务

范晶晶：开源组织Datawhale创始人

张 杰：南京大学LAMDA硕士，天池数据科学家KDD2019全球军

谈志旋：北京大学硕士，社交app算法负责人

刘 洋：在读博士IJCAI/KDD/ICME等顶会比赛湔三，天池数据科学家

为了将热爱机器学习的大家聚在一起推荐大家一个“数据竞赛”交流学习群，进群可与行业top级人物交流可获得佷强势的各方资源，大家有需要的可以进群哦

一年半的竞赛经历收获了两冠四一季的成绩。在这一年半不仅坚持比赛，同时也坚持不斷的分享在我看来，分享是一个自我总结的一个过程当然，这也是我与更多选手交流的一个平台是一个相互学习提升的机会。愿我嘚分享能够帮助到你

知乎专栏目的传播更多机器学习干货，数据竞赛方法欢迎投稿！

路漫漫其修远兮，吾将上下而求索