【技术实现步骤摘要】
对贷中行为进行监控的贷款系统、监控方法、设备及介质
[0001]本专利技术属于互联网金融
，尤其涉及一种对贷中行为进行监控的贷款系统、监控方法、设备及介质。
技术介绍
[0002]近年来随着互联网金融的快速发展以及互联网所沉淀的行为数据呈现爆炸式的增长，依托于海量数据，客户互联网贷款业务量逐年增加。但是目前很多金融机构很注重贷前的风险分析控制，在结束了贷前评估流程并完成放款后，对贷中的情况则比较放松，不太重视动态分析的重要性，导致还款过程中违约率不断提升，为了降低贷中违约风险，目前多是业务人员根据人为经验确定已放款客户的还款能力、还款意向等用于评估违约风险，没有有效的方法来进行贷中行为监控，降低贷款业务风险。
技术实现思路
[0003]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种对贷中行为进行监控的贷款系统、监控方法、设备及介质，可以对贷中行为监控，通过贷中行为提前预测可能逾期的风险，方便银行工作人员提前采取措施，减小贷款损失。
[0004]本专利技术第一方面提供了一种对贷...
【技术保护点】
【技术特征摘要】
1.一种对贷中行为进行监控的贷款系统，其特征在于，包括用户端和服务端，用户端包括信息采集模块和贷款申请发起模块，服务端包括信用计算模块、贷款审批模块、贷款发放模块和贷中行为监控模块；所述信息采集模块，用于采集贷款用户的各维度特征信息X；所述贷款申请发起模块，用于贷款用户发起贷款申请请求；所述信用计算模块，用于利用预设信用计算模型根据贷款用户的各维度特征信息X计算贷款用户的信用等级；所述贷款审批模块，用于对用户发起的贷款申请请求进行审批；所述贷款发放模块，用于根据贷款审批模块审批通过的贷款金额进行贷款发放；所述贷中行为监控模块，用于在贷款金额发放后监控贷款用户的逾期风险；所述贷中行为监控模块监控贷款用户的逾期风险时包括以下步骤：步骤1、以当下时间点为参考，调取贷款用户当下时间点之前E1个月内的历史各维度特征X；步骤2、将调取的E1个月内的历史各维度特征X输入预设的评分卡模型Y＝f1(X)，预测贷款用户当下时间点之后E2个月内的逾期表现结果Y，当Y＝0时，代表贷款用户未逾期，当Y＝1时，代表贷款用户逾期；步骤3、输出预测的贷款用户的逾期表现结果。2.按照权利要求1所述对贷中行为进行监控的贷款系统，其特征在于，所述贷中行为监控模块对所述评分卡模型定期执行以下步骤重新生成：Step1、调取训练集样本和测试集样本，以及构建GRU神经网络模型；Step2、初始化GRU神经网络模型中各神经元的权值参数和偏置参数；将训练集样本的各维度特征X作为GRU神经网络模型的输入，将训练集样本的逾期表现结果Y作为GRU神经网络模型的输出，训练GRU神经网络模型；训练完成后进入到下一步；Step3、采用花朵授粉算法优化训练后的GRU神经网络模型的权值参数和偏置参数；然后进入到下一步；Step4、利用测试集样本对优化后的GRU神经网络模型进行误差测试，若测试通过，则进入下一步；若测试不通过，则重新执行Step1
‑
Step3；Step5、以优化后的GRU神经网络模型为评分卡模型，并输出该评分卡模型。3.按照权利要求2所述对贷中行为进行监控的贷款系统，其特征在于，所述训练集样本和测试集样本通过以下步骤取得：Step1
‑
1、从所述贷款系统或外部系统抽取一个时间段内的多个贷款用户样本数据；然后进入下一步；Step1
‑
2、取多个所述贷款用户样本产生的时间段中的一个时间点作为观察点；将所述时间段中在观察点之前的时期设定为观察期，将所述时间段中在观察点之后的时期设定为表现期；然后进入下一步；Step1
‑
3、取每个贷款用户样本数据在观察期内的信息为该贷款用户的历史各维度特征X
’
；根据每个贷款用户样本数据在表现期内的信息标记该用户的逾期表现结果Y
’
；然后进入下一步；Step1
‑
4、将每个贷款用户样本数据对应的历史各维度特征X
’
和逾期表现结果Y
’
构建
为一条预用样本数据；对预用样本数据进行缺失值处理、异常值剔除和归一化处理；然后进入下一步；Step1
‑
5、将多个所述预用样本数据中的一部分设定为训练集样本，另一部分设定为测试集样本。4.按照权利要求2或3所述对贷中行为进行监控的贷款系统，其特征在于，所述Step3中采用花朵授粉算法优化GRU神经网络模型的权值参数和偏置参数时，花朵授粉算法的交叉授粉...
【专利技术属性】
技术研发人员：江远强，李兰，李晓萍，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。