贷中风险预测方法及装置制造方法及图纸

本申请实施例提供一种贷中风险预测方法及装置，可用于人工智能技术领域，方法包括：将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，其中，所述预测用数据包括：行为特征数据以及应用贷中行为评分卡模型获取的贷中风险评分数据；输出所述目标用户的贷中风险预测结果。本申请能够在保证贷中风险预测的准确性的基础上，有效提高用于贷中风险预测模型的输入数据的获取效率及可靠性，并能够有效降低贷中风险预测过程中的数据处理难度及数据计算量，进而能够有效缩短贷中风险预测周期并提高贷中风险预测结果的获取效率。

【技术实现步骤摘要】
贷中风险预测方法及装置
本申请涉及数据处理
，特别涉及人工智能
，具体涉及贷中风险预测方法及装置。
技术介绍
为了满足不同阶段的信用风控需求，金融机构通常需要利用贷前的申请评分卡、贷中的行为评分卡和贷后的催收评分卡对金融用户进行风险评分。其中的贷中行为评分卡模型(BehaviorScoring)是一种根据金融用户在账户使用期间所产生的各种行为，动态预测金融用户贷中风险的评分模型。而由于贷中行为评分卡模型是一种线性模型，虽然其评价结果具有可解释性，但由于其模型性质使得其存在测准确度较及风险敏感性不足等问题。因此，金融领域的技术人员开始尝试将机器学习算法应用至贷中风险预测的过程中来致力于提高金融用户的贷中风险预测结果的准确性。现有的将机器学习算法应用至贷中风险预测的方式通常为：构建包含有贷中行为评分卡模型和机器学习模型的多个模型，然后对这些模型进行模型融合或加权等处理以形成新的综合性模型，然后对用户数据进行预处理后，应用这个新的综合性模型根据预处理后的用户数据进行贷中风险预测。然而，上述的贷中风险预测方式虽然能够在一定程度上提供预测结果的准确性，但是由于其过程中涉及到一个、甚至多个机器学习模型的输入数据的预处理过程，还涉及到多个模型之间的融合过程，因而使得该贷中风险预测方式需要进行大量的数据计算且耗时很长。也就是说，现有的贷中风险预测方式无法同时满足贷中风险预测过程的准确性和效率要求。
技术实现思路
针对现有技术中的问题，本申请提供一种贷中风险预测方法及装置，能够在保证贷中风险预测的准确性的基础上，有效提高用于贷中风险预测模型的输入数据的获取效率及可靠性，并能够有效降低贷中风险预测过程中的数据处理难度及数据计算量，进而能够有效缩短贷中风险预测周期并提高贷中风险预测结果的获取效率。为解决上述技术问题，本申请提供以下技术方案：第一方面，本申请提供一种贷中风险预测方法，包括：将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，其中，所述预测用数据包括：行为特征数据以及应用贷中行为评分卡模型获取的贷中风险评分数据；输出所述目标用户的贷中风险预测结果。进一步地，还包括：输出所述目标用户的贷中风险评分数据。进一步地，所述贷中风险预测模型为预先根据多个用户的训练用数据，基于XGBoost算法训练得到的；其中，所述训练用数据和所述预测用数据均包括：用户数据、观察期数据和表现期预测数据；所述用户数据承载的信息包括：个人信息、资产信息和账户信息中的至少一项；所述观察期数据承载的信息包括：账户交易信息和/或历史风险信息；所述表现期预测数据包括：所述行为特征数据和对应的贷中风险评分数据。进一步地，在所述将目标用户的预测用数据输入预设的贷中风险预测模型之前，还包括：获取用户信息对照表，其中，该用户信息对照表中存储有所述用户数据和行为数据组之间的一对多的对应关系；每个所述行为数据组中均包含有所述观察期数据和表现期预测数据，各个所述行为数据组之间根据预设的观察期时长和/或表现期时长进行划分；选取所述用户信息对照表中表现期时长最长的行为数据组和对应的所述用户数据作为当前的训练用数据；基于XGBoost算法应用当前的训练用数据训练得到用于进行贷中风险预测的初始模型；将所述初始模型设置为当前的贷中风险预测模型进行应用；相对应的，所述预测用数据中的表现期预测数据对应的表现期时长与用于训练所述贷中风险预测模型的训练用数据的表现期时长相同。进一步地，在所述将所述初始模型设置为当前的贷中风险预测模型进行应用之后，还包括：自所述用户信息对照表中选取表现期时长小于用于训练所述初始模型的训练用数据的表现期时长的行为数据组和对应的所述用户数据作为当前的训练用数据；基于XGBoost算法应用当前的训练用数据对所述初始模型进行模型训练，得到当前的更新用模型；应用当前的更新用模型自动替换当前的贷中风险预测模型。进一步地，在所述基于XGBoost算法应用当前的训练用数据对所述初始模型进行模型训练，得到当前的更新用模型之后，还包括：验证步骤：对当前的更新用模型进行预测效果验证，并在确认验证通过后判断所述用户信息对照表中是否包含有表现期时长小于用于训练更新后的训练模型的训练用数据的表现期时长的行为数据组，若是，则将当前的更新用模型确认为历史模型，基于该行为数据组和对应的所述用户数据作为当前的训练用数据，并执行更新训练步骤；所述更新训练步骤包括：基于XGBoost算法应用当前的训练用数据对当所述历史模型进行模型训练，得到当前的更新用模型，并返回执行所述验证步骤。进一步地，在所述将目标用户的预测用数据输入预设的贷中风险预测模型之前，还包括：获取目标用户的贷中行为数据；对所述贷中行为数据进行特征提取，得到所述目标用户的行为特征数据；应用所述贷中行为评分卡模型获取所述行为特征数据对应的贷中风险评分数据；将所述目标用户的行为特征数据和对应的贷中风险评分数据添加至该目标用户的预测用数据。进一步地，所述将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，包括：将目标用户的预测用数据输入预设的贷中风险预测模型，得到该贷中风险预测模型输出的所述目标用户的贷中风险评分分值；根据预设的风险分级规则，确定所述目标用户的贷中风险评分分值对应的风险等级；生成包含有所述目标用户的风险等级的贷中风险预测结果。进一步地，在所述确定所述目标用户的贷中风险评分分值对应的风险等级之后，还包括：若所述目标用户的风险等级为预设的黑名单级别，则将该目标用户的用户标识加入黑名单中，以更新该黑名单；输出更新后的所述黑名单以基于该黑名单对所述目标用户进行风控处理，其中，所述风控处理包括：拒绝所述目标用户的新增业务请求、提高该目标用户的催收等级和冻结该目标用户的资产中的至少一项。进一步地，在所述确定所述目标用户的贷中风险评分分值对应的风险等级之后，还包括：若所述目标用户的风险等级为预设的待核实级别，则输出该目标用户的用户信息以对该目标用户的贷中风险进行人工核实和/或机器人自动核实。第二方面，本申请提供一种贷中风险预测装置，包括：风险预测模块，用于将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，其中，所述预测用数据包括：行为特征数据以及应用贷中行为评分卡模型获取的贷中风险评分数据；结果输出模块，用于输出所述目标用户的贷中风险预测结果。第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的贷中风险预测方法。第四方面，本申请提本文档来自技高网...

【技术保护点】
1.一种贷中风险预测方法，其特征在于，包括：/n将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，其中，所述预测用数据包括：行为特征数据以及应用贷中行为评分卡模型获取的贷中风险评分数据；/n输出所述目标用户的贷中风险预测结果。/n

【技术特征摘要】
1.一种贷中风险预测方法，其特征在于，包括：
将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，其中，所述预测用数据包括：行为特征数据以及应用贷中行为评分卡模型获取的贷中风险评分数据；
输出所述目标用户的贷中风险预测结果。


2.根据权利要求1所述的贷中风险预测方法，其特征在于，还包括：
输出所述目标用户的贷中风险评分数据。


3.根据权利要求1所述的贷中风险预测方法，其特征在于，所述贷中风险预测模型为预先根据多个用户的训练用数据，基于XGBoost算法训练得到的；
其中，所述训练用数据和所述预测用数据均包括：用户数据、观察期数据和表现期预测数据；
所述用户数据承载的信息包括：个人信息、资产信息和账户信息中的至少一项；
所述观察期数据承载的信息包括：账户交易信息和/或历史风险信息；
所述表现期预测数据包括：所述行为特征数据和对应的贷中风险评分数据。


4.根据权利要求3所述的贷中风险预测方法，其特征在于，在所述将目标用户的预测用数据输入预设的贷中风险预测模型之前，还包括：
获取用户信息对照表，其中，该用户信息对照表中存储有所述用户数据和行为数据组之间的一对多的对应关系；每个所述行为数据组中均包含有所述观察期数据和表现期预测数据，各个所述行为数据组之间根据预设的观察期时长和/或表现期时长进行划分；
选取所述用户信息对照表中表现期时长最长的行为数据组和对应的所述用户数据作为当前的训练用数据；
基于XGBoost算法应用当前的训练用数据训练得到用于进行贷中风险预测的初始模型；
将所述初始模型设置为当前的贷中风险预测模型进行应用；
相对应的，所述预测用数据中的表现期预测数据对应的表现期时长与用于训练所述贷中风险预测模型的训练用数据的表现期时长相同。


5.根据权利要求4所述的贷中风险预测方法，其特征在于，在所述将所述初始模型设置为当前的贷中风险预测模型进行应用之后，还包括：
自所述用户信息对照表中选取表现期时长小于用于训练所述初始模型的训练用数据的表现期时长的行为数据组和对应的所述用户数据作为当前的训练用数据；
基于XGBoost算法应用当前的训练用数据对所述初始模型进行模型训练，得到当前的更新用模型；
应用当前的更新用模型自动替换当前的贷中风险预测模型。


6.根据权利要求5所述的贷中风险预测方法，其特征在于，在所述基于XGBoost算法应用当前的训练用数据对所述初始模型进行模型训练，得到当前的更新用模型之后，还包括：
验证步骤：对当前的更新用模型进行预测效果验证，并在确认验证通过后判断所述用户信息对照表中是否包含有表现期时长小于用于训练更新后的训练模型的训练用数据的表现期时长的行为数据组，若是，则将当前的更新用模型确认为历史模型，基于该行为数据...

【专利技术属性】
技术研发人员：张莹，李文豪，高峰，张雪，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11