企业授信模型的构建方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术公开了一种企业授信模型的构建方法、装置、设备及可读存储介质，该方法包括以下步骤：从企业主的个人信用报告中获取所述企业主的个人信用数据；基于不同的分类变量组合对应的个人信用数据的统计变量，确定各个分类变量组合下的统计变量在不同统计维度下的特征统计，得到特征集合；采用递归特征消除算法对所述特征集合进行特征筛选，得到目标特征子集；将所述目标特征子集输入多个相对独立的回归树组，对所述回归树组进行训练，在训练完成时得到企业授信模型。本发明专利技术可以更加全面地对企业的信用风险进行评估，从而使得预测目标客户的信用风险结果更加可靠，解决了现有的企业信用评分技术无法全面评价企业的风险水平的技术问题。

【技术实现步骤摘要】
企业授信模型的构建方法、装置、设备及可读存储介质
本专利技术涉及金融科技(Fintech)
，尤其涉及一种企业授信模型的构建方法、装置、设备及可读存储介质。
技术介绍
随着计算机技术的发展，越来越多的技术(大数据、分布式、区块链Blockchain、人工智能等)应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变，但由于金融行业的安全性、实时性要求，也对技术提出了更高的要求。现有的企业信用评分技术包括专家评分卡、传统信用评分卡和人行数字数字解读。其中，专家评分模型是根据专家的业务经验，将信用风险分解为多个评价维度，然后人为地给每一个评价维度赋予一定的权重，最终把所有维度的加权评分之和作为最终的评分，但是，专家评分卡对不同评价维度的权重是人为赋值的，存在较大的随意性，难以客观反映不同评价维度对风险判断的贡献度。传统信用评分卡是把风险大小量化为不同评价维度的线性组合，根据历史数据采用逻辑回归算法进行数学建模，得出不同维度的贡献权重，再计算所有维度的加权评分之和，并通过激活函数转换为最终的概率评分，传统信用评分卡的缺点在于评价维度往往只有十余个，难以全面描述客户的风险表现。以及，人行数字解读是在人民银行征信报告中的提供的信用评分，数字解读的缺点在于：数字解读评分模型的训练样本仅包括人民银行的样本数据，因此在不同业务场景下，对于不同的银行机构，个人征信数据对于风险判断的权重会存在差异，直接采用数字解读无法反映小微企业自身的风险特点。上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
本专利技术的主要目的在于提供一种企业授信模型的构建方法、装置、设备及可读存储介质，旨在解决现有的企业信用评分技术无法全面评价企业的风险水平的技术问题。为实现上述目的，本专利技术提供一种企业授信模型的构建方法，所述企业授信模型的构建方法包括以下步骤：从企业主的个人信用报告中获取所述企业主的个人信用数据；基于不同的分类变量组合对应的个人信用数据的统计变量，确定各个分类变量组合下的统计变量在不同统计维度下的特征统计，得到特征集合；采用递归特征消除算法对所述特征集合进行特征筛选，得到目标特征子集；将所述目标特征子集输入多个相对独立的回归树组，对所述回归树组进行训练，在训练完成时得到企业授信模型。可选地，所述基于不同的分类变量组合对应的个人信用数据的统计变量，确定各个分类变量组合下的统计变量在不同统计维度下的特征统计，得到特征集合的步骤之前，还包括：确定所述个人信用数据的变量类型；将所述变量类型为字符型或日期型的个人信用数据作为分类变量，以及将所述变量类型为数值型的个人信用数据作为所述个人信用数据的统计变量；确定所述分类变量对应的分类变量组合，其中，所述分类变量组合为所述分类变量的任意组合。可选地，所述个人信用数据包括查询信息和信贷信息，所述统计维度包括计数、去重计数、求和、均值、中位数、缺失率、0值率、75％分位数或25分位数中的至少一种。可选地，所述采用递归特征消除算法对所述特征集合进行特征筛选，得到目标特征子集的步骤包括：将预设回归模型作为所述递归特征消除算法的底层模型；构建对应所述底层模型的目标代价函数；根据所述目标代价函数以及所述底层模型从所述特征集合中迭代出所述目标特征子集。可选地，所述根据所述目标代价函数以及所述底层模型从所述特征集合中迭代出所述目标特征子集的步骤包括：将所述特征集合输入至所述底层模型中，并基于所述目标代价函数，对所述底层模型进行迭代；删除所述特征集合中权重低于预设权重阈值的特征，得到待定特征子集；在每轮迭代结束时确定每轮迭代对应的模型性能，并且在达到最大迭代次数时确定最优的模型性能，以基于所述最优的模型性能将所述最优的模型性能对应的待定特征子集作为目标特征子集。可选地，所述将所述特征集合输入至所述底层模型中，并基于所述目标代价函数，对所述底层模型进行迭代的步骤包括：将所述特征集合作为原始特征集合，并随机获取所述特征集合的特征子集；根据所述特征子集以及所述目标代价函数，对所述底层模型进行训练；判断所述底层模型在当次训练的误差是否小于前次训练的误差，是则保留所述特征子集中的特征，否则将所述特征子集中的特征从所述特征集合中删除，得到新的特征集合；将所述新的特征集合作为所述特征集合，循环执行所述根据所述特征子集以及所述目标代价函数，对所述底层模型进行训练的步骤，直至满足训练停止条件。可选地，所述将所述目标特征子集输入多个相对独立的回归树组，对所述回归树组进行训练，在训练完成时得到企业授信模型的步骤包括：基于所述目标特征子集输入至多个相对独立的回归树组中进行多次迭代计算，计算相邻次迭代计算的残差；根据残差对所述回归树组进行迭代，在迭代完成后得到企业授信模型。此外，为实现上述目的，本专利技术还提供一种企业授信模型的构建装置，所述企业授信模型的构建装置包括：获取模块，用于从企业主的个人信用报告中获取所述企业主的个人信用数据；特征统计模块，用于基于不同的分类变量组合对应的个人信用数据的统计变量，确定各个分类变量组合下的统计变量在不同统计维度下的特征统计，得到特征集合；特征筛选模块，用于采用递归特征消除算法对所述特征集合进行特征筛选，得到目标特征子集；构建模块，用于将所述目标特征子集输入多个相对独立的回归树组，对所述回归树组进行训练，在训练完成时得到企业授信模型。此外，为实现上述目的，本专利技术还提供一种企业授信模型的构建设备，所述企业授信模型的构建设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的企业授信模型的构建程序，所述企业授信模型的构建程序被所述处理器执行时实现如上述的企业授信模型的构建方法的步骤。此外，为实现上述目的，本专利技术还提供一种可读存储介质，所述可读存储介质上存储有企业授信模型的构建程序，所述企业授信模型的构建程序被处理器执行时实现如上述的企业授信模型的构建方法的步骤。本专利技术通过从企业主的个人信用报告中获取所述企业主的个人信用数据；基于不同的分类变量组合对应的个人信用数据的统计变量，确定各个分类变量组合下的统计变量在不同统计维度下的特征统计，得到特征集合；采用递归特征消除算法对所述特征集合进行特征筛选，得到目标特征子集；将所述目标特征子集输入多个相对独立的回归树组，对所述回归树组进行训练，在训练完成时得到企业授信模型。在本实施例中，提取企业主个人信用数据的特征得到特征集合，再将特征集合中的所有特征输入至递归消除算法对应的预设回归模型中进行训练，以构建企业授信模型，根据个人信用数据构建企业授信模型可以从企业主的个人信用数据的角度对企业主的企业的风险水平进行预测，使得企业授信模型可以更加全面地对企业的信用风险进行评估，从而使得预测目标客户的信用风险结果更加可靠，解决了现有的企业信用评分技术无法全面评价企业的本文档来自技高网...

【技术保护点】
1.一种企业授信模型的构建方法，其特征在于，所述企业授信模型的构建方法包括以下步骤：/n从企业主的个人信用报告中获取所述企业主的个人信用数据；/n基于不同的分类变量组合对应的个人信用数据的统计变量，确定各个分类变量组合下的统计变量在不同统计维度下的特征统计，得到特征集合；/n采用递归特征消除算法对所述特征集合进行特征筛选，得到目标特征子集；/n将所述目标特征子集输入多个相对独立的回归树组，对所述回归树组进行训练，在训练完成时得到企业授信模型。/n

【技术特征摘要】
1.一种企业授信模型的构建方法，其特征在于，所述企业授信模型的构建方法包括以下步骤：
从企业主的个人信用报告中获取所述企业主的个人信用数据；
基于不同的分类变量组合对应的个人信用数据的统计变量，确定各个分类变量组合下的统计变量在不同统计维度下的特征统计，得到特征集合；
采用递归特征消除算法对所述特征集合进行特征筛选，得到目标特征子集；
将所述目标特征子集输入多个相对独立的回归树组，对所述回归树组进行训练，在训练完成时得到企业授信模型。


2.如权利要求1所述的企业授信模型的构建方法，其特征在于，所述基于不同的分类变量组合对应的个人信用数据的统计变量，确定各个分类变量组合下的统计变量在不同统计维度下的特征统计，得到特征集合的步骤之前，还包括：
确定所述个人信用数据的变量类型；
将所述变量类型为字符型或日期型的个人信用数据作为分类变量，以及将所述变量类型为数值型的个人信用数据作为所述个人信用数据的统计变量；
确定所述分类变量对应的分类变量组合，其中，所述分类变量组合为所述分类变量的任意组合。


3.如权利要求1所述的企业授信模型的构建方法，其特征在于，所述个人信用数据包括查询信息和信贷信息，所述统计维度包括计数、去重计数、求和、均值、中位数、缺失率、0值率、75％分位数或25分位数中的至少一种。


4.如权利要求1所述的企业授信模型的构建方法，其特征在于，所述采用递归特征消除算法对所述特征集合进行特征筛选，得到目标特征子集的步骤包括：
将预设回归模型作为所述递归特征消除算法的底层模型；
构建对应所述底层模型的目标代价函数；
根据所述目标代价函数以及所述底层模型从所述特征集合中迭代出所述目标特征子集。


5.如权利要求4所述的企业授信模型的构建方法，其特征在于，所述根据所述目标代价函数以及所述底层模型从所述特征集合中迭代出所述目标特征子集的步骤包括：
将所述特征集合输入至所述底层模型中，并基于所述目标代价函数，对所述底层模型进行迭代；
删除所述特征集合中权重低于预设权重阈值的特征，得到待定特征子集；
在每轮迭代结束时确定每轮迭代对应的模型性能，并且在达到最大迭代次数时确定最优的模型性能，以基于所述最优的模型性能将所述最优的模型性能对应的待定特征子集作为目标特征子集。...

【专利技术属性】
技术研发人员：朱晨鸣，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：广东;44