金融服务信用风险分析方法及系统技术方案

本发明专利技术公开了一种金融服务信用风险分析方法及系统，属于金融风险分析技术领域，要解决的技术问题为如何对金融服务进行信用分析，以在不降低融资合同数量增长的情况下减少损失、更好地通过控制用于批准金融服务申请的标准。方法，包括如下步骤：从先前提交的金融服务申请中采集融资业务数据作为训练数据；基于金融服务申请的状态，对上述训练数据进行预处理，得到训练集；基于上述预处理后的数据以及信贷业务员对金融服务业务的理解，构建并训练层次神经网络模型；将测试数据输入金融服务信用风险分析模型。该系统包括采集模块、训练集构建模块、模型训练模块和分析模块。

【技术实现步骤摘要】
金融服务信用风险分析方法及系统
本专利技术涉及金融风险分析
，具体地说是一种金融服务信用风险分析方法及系统。
技术介绍
在金融服务业中，利润的增加通常是由融资合同数量的增加、活跃融资合同损失的减少或两者的结合带来的。损失的主要来源通常是融资方拖欠付款。因此，必须仔细筛选合适的融资业务，以减少拖欠付款的发生率。当从申请人的财务状况可以预见经济困难时，用严格的标准筛选金融服务申请可以大大减少损失。然而，严格的审批标准也可能导致金融服务申请的审批数量减少，从而导致融资合同数量增长放缓。因此，有必要在不降低融资合同数量增长的情况下减少损失，或者更好地通过控制用于批准金融服务申请的标准，在不导致损失显著增加的情况下大幅增加融资合同的数量。基于上述，如何对金融服务进行信用分析，以在不降低融资合同数量增长的情况下减少损失、更好地通过控制用于批准金融服务申请的标准，是需要解决的技术问题。
技术实现思路
本专利技术的技术任务是针对以上不足，提供一种金融服务信用风险分析方法及系统，来解决如何对金融服务进行信用分析，以在不降低融资合同数量增长的情况下减少损失、更好地通过控制用于批准金融服务申请的标准，是需要解决的技术问题的问题。第一方面，本专利技术提供一种金融服务信用风险分析方法，包括如下步骤：从先前提交的金融服务申请中采集融资业务数据作为训练数据；基于金融服务申请的状态，对上述训练数据进行预处理，得到训练集，所述训练集包括多组具有各种数据变量的训练数据；每组训练数据中的数据变量分为有序变量和分类变量，对有序变量进行排序，并基于敏感性对分类变量进行分类；基于上述预处理后的数据以及信贷业务员对金融服务业务的理解，构建并训练层次神经网络模型，得到训练后层次神经网络模型作为金融服务信用风险分析模型，所述层次神经网络模型包括输入层、输出层和将输入层耦合至输出层的中间层，输入层、中间层和输出层均包括多个处理节点，中间层处理节点的个数等于或大于等于训练数据的分组数；从待分析的金融服务申请中采集融资业务数据作为测试数据；将上述测试数据输入金融服务信用风险分析模型，通过输入层对测试数据进行预处理，得到测试集，通过中间层对预处理后测试数据进行分析得到决策结构决策结果后，通过输出层输出决策结果。作为优选，所述融资业务数据来源于超过预定期限的有效融资合同，包括用于执行风险预测的数据变量和用于执行信用评估的数据变量。作为优选，金融服务申请的状态包括：因拖欠付款而终止，申请人提前终止，正常终止，在预定期限内账户仍在开立、没有任何拖欠；上述因拖欠付款而终止或申请人提前终止的有效融资合同标记为不可接受类；上述正常终止或在预定期限内账户仍在开立、没有任何拖欠标记为可接收类。作为优选，基于金融服务申请的状态，对上述训练数据进行预处理，包括：将每组训练数据中的数据变量分为序数变量和分类变量，序数变量为具有数值的变量，分类变量为具有标识符标签的变量；对于序数变量，将序数变量按照从最高序数值排序到最低序数值的顺序排序，最高序数值被赋值为1，最低序数值被赋值为0，最高序数值与最低序数值之间的值被赋值为基于排序顺在0和1之间线性缩放的值；对于每一个分类变量，确定脆弱性的度量值，脆弱性是分类变量对上述可接收类或不可接受类的敏感性。作为优选，通过输入层对测试数据进行预处理，包括如下步骤：基于待分析的金融服务申请的状态，将测试数据分为多组测试数据；将每组测试数据中的数据变量分为序数变量和分类变量，序数变量为具有数值的变量，分类变量为具有标识符标签的变量；对于序数变量，将序数变量按照从最高序数值排序到最低序数值的顺序排序，最高序数值被赋值为1，最低序数值被赋值为0，最高序数值与最低序数值之间的值被赋值为基于排序顺在0和1之间线性缩放的值；对于每一个分类变量，确定脆弱性的度量值，脆弱性是分类变量对上述可接收类或不可接受类的敏感性。作为优选，输入层通过加权连接的方式连接到中间层，中间层通过加权连接的方式连接到输出层。作为优选，通过网格搜索的方法训练层次神经网络模型，得到训练后层次神经网络模型作为金融服务信用风险分析模型。第二方面，本专利技术提供一种金融服务信用风险分析系统，用于通过如第一方面任一项所述的金融服务信用风险分析方法对金融服务进行信用风险分析，所述系统包括：采集模块，所述采集模块用于从金融服务申请中采集融资业务数据。包括采集训练数据和测试数据；训练集构建模块，所述训练集构建模块用于基于金融服务申请的状态，对训练数据进行预处理，得到训练集，所述训练集包括多组具有各种数据变量的训练数据；每组训练数据中的数据变量分为有序变量和分类变量，对有序变量进行排序，并基于敏感性对分类变量进行分类；模型训练模块，所述模型训练模块用于基于上述预处理后的数据以及信贷业务员对金融服务业务的理解，构建并训练层次神经网络模型，得到训练后层次神经网络模型作为金融服务信用风险分析模型，所述层次神经网络模型包括输入层、输出层和将输入层耦合至输出层的中间层，输入层、中间层和输出层均包括多个处理节点，中间层处理节点的个数等于或大于等于训练数据的分组数；分析模块，所述分析模块用于采集模块获取测试数据，并从模型训练模块调用金融服务信用风险分析模型，将测试数据输入金融服务信用风险分析模型，通过输入层对测试数据进行预处理，得到测试集，通过中间层对预处理后测试数据进行分析得到决策结构决策结果后，通过输出层输出决策结果。作为优选，金融服务申请的状态包括：因拖欠付款而终止，申请人提前终止，正常终止，在预定期限内账户仍在开立、没有任何拖欠；上述因拖欠付款而终止或申请人提前终止的有效融资合同标记为不可接受类；上述正常终止或在预定期限内账户仍在开立、没有任何拖欠标记为可接收类；模型训练模块用于基于金融服务申请的状态，对训练数据进行预处理，包括：用于将每组训练数据中的数据变量分为序数变量和分类变量，序数变量为具有数值的变量，分类变量为具有标识符标签的变量；用于对于序数变量，将序数变量按照从最高序数值排序到最低序数值的顺序排序，最高序数值被赋值为1，最低序数值被赋值为0，最高序数值与最低序数值之间的值被赋值为基于排序顺在0和1之间线性缩放的值；用于对于每一个分类变量，确定脆弱性的度量值，脆弱性是分类变量对上述可接收类或不可接受类的敏感性；通过输入层对测试数据进行预处理，包括如下步骤：基于待分析的金融服务申请的状态，将测试数据分为多组测试数据；将每组测试数据中的数据变量分为序数变量和分类变量，序数变量为具有数值的变量，分类变量为具有标识符标签的变量；对于序数变量，将序数变量按照从最高序数值排序到最低序数值的顺序排序，最高序数值被赋值为1，最低序数值被赋值为0，最高序数值与最低序数值之间的值被赋值为基于排序顺在0和1之间线性缩放的值；对于每一个分类变量，确定脆弱性本文档来自技高网...

【技术保护点】
1.金融服务信用风险分析方法，其特征在于包括如下步骤：/n从先前提交的金融服务申请中采集融资业务数据作为训练数据；/n基于金融服务申请的状态，对上述训练数据进行预处理，得到训练集，所述训练集包括多组具有各种数据变量的训练数据；每组训练数据中的数据变量分为有序变量和分类变量，对有序变量进行排序，并基于敏感性对分类变量进行分类；/n基于上述预处理后的数据以及信贷业务员对金融服务业务的理解，构建并训练层次神经网络模型，得到训练后层次神经网络模型作为金融服务信用风险分析模型，所述层次神经网络模型包括输入层、输出层和将输入层耦合至输出层的中间层，输入层、中间层和输出层均包括多个处理节点，中间层处理节点的个数等于或大于等于训练数据的分组数；/n从待分析的金融服务申请中采集融资业务数据作为测试数据；/n将上述测试数据输入金融服务信用风险分析模型，通过输入层对测试数据进行预处理，得到测试集，通过中间层对预处理后测试数据进行分析得到决策结构决策结果后，通过输出层输出决策结果。/n

【技术特征摘要】
1.金融服务信用风险分析方法，其特征在于包括如下步骤：
从先前提交的金融服务申请中采集融资业务数据作为训练数据；
基于金融服务申请的状态，对上述训练数据进行预处理，得到训练集，所述训练集包括多组具有各种数据变量的训练数据；每组训练数据中的数据变量分为有序变量和分类变量，对有序变量进行排序，并基于敏感性对分类变量进行分类；
基于上述预处理后的数据以及信贷业务员对金融服务业务的理解，构建并训练层次神经网络模型，得到训练后层次神经网络模型作为金融服务信用风险分析模型，所述层次神经网络模型包括输入层、输出层和将输入层耦合至输出层的中间层，输入层、中间层和输出层均包括多个处理节点，中间层处理节点的个数等于或大于等于训练数据的分组数；
从待分析的金融服务申请中采集融资业务数据作为测试数据；
将上述测试数据输入金融服务信用风险分析模型，通过输入层对测试数据进行预处理，得到测试集，通过中间层对预处理后测试数据进行分析得到决策结构决策结果后，通过输出层输出决策结果。


2.根据权利要求1所述的金融服务信用风险分析方法，其特征在于所述融资业务数据来源于超过预定期限的有效融资合同，包括用于执行风险预测的数据变量和用于执行信用评估的数据变量。


3.根据权利要求2所述的金融服务信用风险分析方法，其特征在于金融服务申请的状态包括：因拖欠付款而终止，申请人提前终止，正常终止，在预定期限内账户仍在开立、没有任何拖欠；
上述因拖欠付款而终止或申请人提前终止的有效融资合同标记为不可接受类；
上述正常终止或在预定期限内账户仍在开立、没有任何拖欠标记为可接收类。


4.根据权利要求3所述的金融服务信用风险分析方法，其特征在于基于金融服务申请的状态，对上述训练数据进行预处理，包括：
将每组训练数据中的数据变量分为序数变量和分类变量，序数变量为具有数值的变量，分类变量为具有标识符标签的变量；
对于序数变量，将序数变量按照从最高序数值排序到最低序数值的顺序排序，最高序数值被赋值为1，最低序数值被赋值为0，最高序数值与最低序数值之间的值被赋值为基于排序顺在0和1之间线性缩放的值；
对于每一个分类变量，确定脆弱性的度量值，脆弱性是分类变量对上述可接收类或不可接受类的敏感性。


5.根据权利要求4所述的金融服务信用风险分析方法，其特征在于通过输入层对测试数据进行预处理，包括如下步骤：
基于待分析的金融服务申请的状态，将测试数据分为多组测试数据；
将每组测试数据中的数据变量分为序数变量和分类变量，序数变量为具有数值的变量，分类变量为具有标识符标签的变量；
对于序数变量，将序数变量按照从最高序数值排序到最低序数值的顺序排序，最高序数值被赋值为1，最低序数值被赋值为0，最高序数值与最低序数值之间的值被赋值为基于排序顺在0和1之间线性缩放的值；
对于每一个分类变量，确定脆弱性的度量值，脆弱性是分类变量对上述可接收类或不可接受类的敏感性。


6.根据权利要求1-5任一项所述的金融服务信用风险分析方法，其特征在于输入层通过加权连接的方式连接到中间层，中间层通过加权连接的方式连接到输出层。


7.根据权利要求1-5任一项所述的金融服务信用风险分析方法，其特征在于通过网格搜索的方...

【专利技术属性】
技术研发人员：莫佳凡，徐宏伟，
申请(专利权)人：天元大数据信用管理有限公司，
类型：发明
国别省市：山东;37