一种基于XGBoost的互联网金融风控模型制造技术

本发明专利技术提供了一种基于XGBoost的互联网金融风控模型，以下步骤：S1：抽取合适的建模样本客户；S2：获取样本客户的网贷数据，提取与所述网贷数据对应的特征变量；S3：根据客户的还款行为、目标客群质量以及产品类型对建模样本的“good”和“bad”定义；S4：数据处理，包括脏数据清洗、缺失值处理、异常值处理；S5：特征工程，包括特征构建和特征筛选；S6：数据集划分，随机或跨时间划分训练集、验证集；S7：运用XGBoost算法训练，模型调参；S8：模型评估：根据评估指标评估模型的好坏。一方面，本发明专利技术增加使用了第三方数据，增加了风险识别的维度，同时通过预测能力强的XGBoost算法，使得模型算法的效率和健壮性得到优化；另一方面，本发明专利技术通过XGBoost算法调参和模型评估不断优化模型的准确性，更加适合大数据风控的需求。

An internet financial risk control model based on xgboost

【技术实现步骤摘要】
一种基于XGBoost的互联网金融风控模型
本专利技术涉及互联网金融风控
，特别涉及一种基于XGBoost的互联网金融风控模型。
技术介绍
我国国内P2P发展迅速，现金贷、消费信贷等互联网金融如雨后春笋一样涌现出来，但利用大数据的互联网金融风控在国内属于一个相对新的课题，大部分互联网金融公司仍按照传统的美国FICO评分卡模型风控建模。传统的评分卡模型属于线性模型，特点在于因变量和自变量属于线性关系，简单好解释，模型表现稳定，过拟合程度低，容易并行化，可以轻松处理上亿条数据，但由于评分卡模型只能解释变量间的线性关系，学习能力十分有限，所以其需要大量的特征工程来增加模型的学习能力，预测能力也相对较低。XGboost的全称是eXtremeGradientBoosting，即极端梯度提升树，是梯度提升机器算法GBDT的扩展，也是boosting算法的其中一种，其可以解释复杂的多维关系，预测能力强，模型在训练数据上可以达到很好的预测表现结果。但是其缺点也很明显，其一是模型内部的逻辑关系像黑盒子一样复杂无法解释，容易出现过拟合现象，这意味着模本文档来自技高网...

【技术保护点】
1.一种基于XGBoost的互联网金融风控模型，其特征在于，包括以下步骤：/nS1：抽取合适的建模样本客户；/nS2：获取样本客户的网贷数据，提取与所述网贷数据对应的特征变量；/nS3：根据客户的还款行为、目标客群质量以及产品类型对建模样本的“good”和“bad”定义；/nS4：数据处理，包括脏数据清洗、缺失值处理、异常值处理；/nS5：特征工程，包括特征构建和特征筛选；/nS6：数据集划分，随机或跨时间划分训练集、验证集；/nS7：运用XGBoost算法训练，模型调参；/nS8：模型评估：根据评估指标评估模型的好坏。/n

【技术特征摘要】
1.一种基于XGBoost的互联网金融风控模型，其特征在于，包括以下步骤：
S1：抽取合适的建模样本客户；
S2：获取样本客户的网贷数据，提取与所述网贷数据对应的特征变量；
S3：根据客户的还款行为、目标客群质量以及产品类型对建模样本的“good”和“bad”定义；
S4：数据处理，包括脏数据清洗、缺失值处理、异常值处理；
S5：特征工程，包括特征构建和特征筛选；
S6：数据集划分，随机或跨时间划分训练集、验证集；
S7：运用XGBoost算法训练，模型调参；
S8：模型评估：根据评估指标评估模型的好坏。


2.根据权利要求1所述一种基于XGBoost的互联网金融风控模型，其特征在于，所述步骤S1包括以下步骤：
S101：获取产品的目标客群、准入拒绝率、费率期限、逾期率、滚动率、催收情况；
S102：根据评分卡所用的风控节点，选取相关的客户群体，所述风控节点包括贷前申请、贷中监控、贷后管理；
S103：排除特定客户，建模样本客户选取日常审批客户，排除非目标客户、白名单客户、欺诈客户、特殊客户；
S104：确定样本观察期和样本表现期。


3.根据权利要求1所述一种基于XGBoost的互联网金融风控模型，其特征在于，所述网贷数据包括人行征信、银行流水、平台申请的个人基本属性数据、客户操作行为数据以及客户授权获取的第三方数据。


4.根据权利要求3所述一种基于XGBoost的互联网金融风控模型，其特征在于，所述第三方数据包括多头借贷行为、...

【专利技术属性】
技术研发人员：江远强，
申请(专利权)人：百维金科上海信息科技有限公司，
类型：发明
国别省市：上海;31