信贷风险控制方法及系统、电子设备及可读存储介质技术方案

本发明专利技术实施例提供一种信贷风险控制方法及系统、电子设备及可读存储介质，包括：基于基本身份信息与授权信息，获取用户的信贷信息，提取信贷信息中的原始特征，剔除无效特征，得到的重要特征作为特征数据；并从用户的基础信贷申请信息中提取出初始申请额度；将用户的特征数据输入预设的信用风险评分模型，得到用户的信用评分结果；基于建立并训练好的风险调整因子模型，得到风险调整因子；利用风险调整因子对所述用户的初始申请额度进行修正。本案实施例根据用户风险水平调整用户的授信水平，以供进一步在风险和收益之间做一种权衡，可以在风险可控的前提下，高效地、自动化、合理化地实现出借方利益的最大化。

【技术实现步骤摘要】
信贷风险控制方法及系统、电子设备及可读存储介质
本专利技术涉及一种应用于信贷场景的风险定价系统，属于智能风控

技术介绍
传统信贷额度以及信贷利率的确定严重依赖于人工审核，用户提交贷款申请后，一方面银行等出借方要耗费大量的人力物力进行资料审查、背调走访等，同时针对用户贷款额度的修正也往往凭借相关行业经验进行，难以根据用户的信用资质实现自动化、个性化、合理化的风险定价，从而难以在风险可控的前提下，实现出借方利益的最大化，另一方面个人用户/法人用户等借贷方从提交信贷申请到获得审批结果往往要耗费数周，体验极差。随着用户多维度数据的不断沉淀以及人工智能技术的发展，智能风控技术开始受到越来越多的重视和应用，目前智能风控技术主要聚焦于通过聚合用户不同维度的数据(比如基础属性数据、历史信贷行为数据、社交行为数据等等)全面衡量用户的信贷风险控制，从而替代人工审核，即智能风控的输出往往是用户的风险等级评定结果，但是无法实现出借方利益的最大化，比如A客户申请贷款10万元，智能风控评级结果显示该客户在贷款10万元的情况下，发生逾期概率较低，但是实际上A客户在贷款15万元的情况下，其发生逾期的概率依然较低，即出借方可以进一步追求利益的复加。目前智能风控系统的痛点与难点是如何使用好的算法有效提升区分用户能力，即如何有效提升高信用风险用户的识别率，同时避免误伤低风险用户，也就是如何同时提升算法的召回率和准确率，从而在风险可控的前提下，保证出借方利益的最大化，高效地、自动地、合理地实现用户的“千人千价”。专利
技术实现思路
本专利技术实施例提供一种能够实现提升算法的召回率和准确率，高效地、自动化、合理化地实现出借方利益的最大化的信贷风险控制方法及系统、电子设备及可读存储介质。本专利技术实施例提供一种信贷风险控制方法，包括：S1:基于用户提交的基本身份信息与授权信息，获取用户的信贷信息，所述信贷信息包括基础信贷申请信息、行为表现信息和金融产品相关信息；S2:提取所述信贷信息中的N个原始特征，对所述N个原始特征采用K-S值最大的分箱算法进行处理，得到分箱结果特征，其中，N为正整数；所述分箱结果特征采用交叉特征衍生算法处理，得到衍生出的交叉特征；将所述衍生出的交叉特征、所述分箱结果特征和所述N个原始特征进行结合，剔除无效特征，得到的重要特征作为特征数据；并从用户的基础信贷申请信息中提取出初始申请额度；S3:将所述用户的特征数据输入预设的信用风险评分模型，得到所述用户的信用评分结果；根据所述信用评分结果，评估所述用户的信用风险等级；S4:基于建立并训练好的风险调整因子模型，当所述用户的信用风险等级不为第一等级时，将所述用户的信用评分结果输入所述风险调整因子模型，得到风险调整因子；利用所述风险调整因子对所述用户的初始申请额度进行修正，得到修正后的定价水平。根据本专利技术实施例所述的信贷风险控制方法，所述提取所述信贷信息中的N个原始特征，对所述N个原始特征采用K-S值最大的分箱算法进行处理，得到分箱结果特征，其中，N为正整数，具体包括：提取所述信贷信息中的所有N种属性信息，形成N个原始特征；基于如下公式对所述N个原始特征进行K-S值最大的分箱算法处理：其中，{f1,f2,f3,…,fi,…,fN}为所述N个原始特征的集合，fi为所述N个原始特征中的第i个原始特征，0＜i≤N,为分箱结果特征的集合，ficut为对应于原始特征fi的分箱结果，Fcut_bin为K-S值最大的分箱算法。根据本专利技术实施例所述的信贷风险控制方法，所述对所述分箱结果特征采用交叉特征衍生算法处理，得到衍生出的交叉特征，具体包括：基于如下公式对所述分箱结果特征进行交叉特征衍生算法处理：其中，为分箱结果特征的集合，为衍生出的交叉特征的集合，T为正整数，Pgen为交叉特征衍生算法。根据本专利技术实施例所述的信贷风险控制方法，所述将所述衍生出的交叉特征、所述分箱结果特征和所述N个原始特征进行结合，剔除无效特征，得到重要特征，具体包括：将所述衍生出的交叉特征、所述分箱结果特征和所述N个原始特征进行结合，得到结合后特征；再采用卡方验证算法、信息增益算法、IV值算法、梯度提升树算法、特征PSI指数算法、特征方差值算法、皮尔逊相关系数算法和最大信息系数算法中的任一种算法或者任意种算法的组合进行所述结合后特征的重要性评估；基于所述评估结果，剔除无效特征，保留重要特征。根据本专利技术实施例所述的信贷风险控制方法，所述将所述用户的特征数据输入预设的信用风险评分模型，得到所述用户的信用评分结果的实现过程为：Sscore＝Fscore[Pfeature-engineer(f1,f2,f3…)]其中f1，f2，f3…为用户的若干个特征数据，Pfeature-engineer为特征工程算法，Sscore为用户的信用评分结果，其中，所述特征工程算法包括数据预处理、特征衍生、特征选择，所述Fscore为预设的信用风险评分模型。根据本专利技术实施例所述的信贷风险控制方法，所述根据所述信用评分结果，评估所述用户的信用风险等级的实现过程为：其中为若干个用户的信用评分结果，Lcredit为用户的信用风险等级，Lcredit的取值范围为集合{Lreject,Lcareful,Lcommon,Llow,Lbypass}，其中Lreject、Lcareful、Lcommon、Llow、Lbypass分别表示不同程度的信用风险等级，Fcredit表示预设的信用风险等级模型。根据本专利技术实施例所述的信贷风险控制方法，所述将所述用户的信用评分结果输入风险调整因子模型，得到风险调整因子的具体实现过程为：R＝Gfactor(Sscore,α,β，…)其中Sscore为用户的信用评分结果，α,β为风险调整因子模型参数或超参数，R为输出的用户风险调整因子，Gfactor为预设的用户风险调整模型。本专利技术实施例提供一种信贷风险控制系统，包括：信贷信息获取模块，用于基于用户提交的基本身份信息与授权信息，获取用户的信贷信息，所述信贷信息包括基础信贷申请信息、行为表现信息和金融产品相关信息；特征信息提取模块，连接所述信贷信息获取模块，用于提取所述信贷信息中的N个原始特征，对所述N个原始特征采用K-S值最大的分箱算法进行处理，得到分箱结果特征，其中，N为正整数；所述分箱结果特征采用交叉特征衍生算法处理，得到衍生出的交叉特征；将所述衍生出的交叉特征、所述分箱结果特征和所述N个原始特征进行结合，剔除无效特征，得到的重要特征作为特征数据；并从用户的基础信贷申请信息中提取出初始申请额度；风险等级评估模块，连接所述特征信息提取模块，用于将所述用户的特征数据输入预设的信用风险评分模型，得到所述用户的信用评分结果；根据所述信用评分结果，评估所述用户的信用风险等级；风险调整控制模块，分别连接所述特征信息提取模块和风险等级评估模块，用于基于建立并训练本文档来自技高网...

【技术保护点】
1.一种信贷风险控制方法，其特征在于，包括：/nS1:基于用户提交的基本身份信息与授权信息，获取用户的信贷信息，所述信贷信息包括基础信贷申请信息、行为表现信息和金融产品相关信息；/nS2:提取所述信贷信息中的N个原始特征，对所述N个原始特征采用K-S值最大的分箱算法进行处理，得到分箱结果特征，其中，N为正整数；所述分箱结果特征采用交叉特征衍生算法处理，得到衍生出的交叉特征；将所述衍生出的交叉特征、所述分箱结果特征和所述N个原始特征进行结合，剔除无效特征，得到的重要特征作为特征数据；并从用户的基础信贷申请信息中提取出初始申请额度；/nS3:将所述用户的特征数据输入预设的信用风险评分模型，得到所述用户的信用评分结果；根据所述信用评分结果，评估所述用户的信用风险等级；/nS4:基于建立并训练好的风险调整因子模型，当所述用户的信用风险等级不为第一等级时，将所述用户的信用评分结果输入所述风险调整因子模型，得到风险调整因子；利用所述风险调整因子对所述用户的初始申请额度进行修正，得到修正后的定价水平。/n

【技术特征摘要】
1.一种信贷风险控制方法，其特征在于，包括：
S1:基于用户提交的基本身份信息与授权信息，获取用户的信贷信息，所述信贷信息包括基础信贷申请信息、行为表现信息和金融产品相关信息；
S2:提取所述信贷信息中的N个原始特征，对所述N个原始特征采用K-S值最大的分箱算法进行处理，得到分箱结果特征，其中，N为正整数；所述分箱结果特征采用交叉特征衍生算法处理，得到衍生出的交叉特征；将所述衍生出的交叉特征、所述分箱结果特征和所述N个原始特征进行结合，剔除无效特征，得到的重要特征作为特征数据；并从用户的基础信贷申请信息中提取出初始申请额度；
S3:将所述用户的特征数据输入预设的信用风险评分模型，得到所述用户的信用评分结果；根据所述信用评分结果，评估所述用户的信用风险等级；
S4:基于建立并训练好的风险调整因子模型，当所述用户的信用风险等级不为第一等级时，将所述用户的信用评分结果输入所述风险调整因子模型，得到风险调整因子；利用所述风险调整因子对所述用户的初始申请额度进行修正，得到修正后的定价水平。


2.根据权利要求1所述的信贷风险控制方法，其特征在于，所述提取所述信贷信息中的N个原始特征，对所述N个原始特征采用K-S值最大的分箱算法进行处理，得到分箱结果特征，其中，N为正整数，具体包括：
提取所述信贷信息中的所有N种属性信息，形成N个原始特征；
基于如下公式对所述N个原始特征进行K-S值最大的分箱算法处理：



其中，{f1,f2,f3,…,fi,…,fN}为所述N个原始特征的集合，fi为所述N个原始特征中的第i个原始特征，0＜i≤N,为分箱结果特征的集合，ficut为对应于原始特征fi的分箱结果，Fcut_bin为K-S值最大的分箱算法。


3.根据权利要求1所述的信贷风险控制方法，其特征在于，所述对所述分箱结果特征采用交叉特征衍生算法处理，得到衍生出的交叉特征，具体包括：
基于如下公式对所述分箱结果特征进行交叉特征衍生算法处理：



其中，为分箱结果特征的集合，为衍生出的交叉特征的集合，T为正整数，Pgen为交叉特征衍生算法。


4.根据权利要求1所述的信贷风险控制方法，其特征在于，所述将所述衍生出的交叉特征、所述分箱结果特征和所述N个原始特征进行结合，剔除无效特征，得到重要特征，具体包括：
将所述衍生出的交叉特征、所述分箱结果特征和所述N个原始特征进行结合，得到结合后特征；
再采用卡方验证算法、信息增益算法、IV值算法、梯度提升树算法、特征PSI指数算法、特征方差值算法、皮尔逊相关系数算法和最大信息系数算法中的任一种算法或者任意种算法的组合进行所述结合后特征的重要性评估；
基于所述评估结果，剔除无效特征，保留重要特征。


5.根据权利要求1所述的信贷风险控制方法，其特征在于，所述将所述用户的特征数据输入预设的信用风险评分模型，得到所述用户的信用评分结果的实现过程为：
Sscore＝Fscore[Pfeature...

【专利技术属性】
技术研发人员：李少帅，张博，张胜庆，曹家楷，黄慕宇，张帆，
申请(专利权)人：长安汽车金融有限公司，
类型：发明
国别省市：重庆;50