一种信用风险评估系统、方法、设备及介质技术方案

本发明专利技术公开了一种信用风险评估系统、方法、设备及介质，包括用户端和服务端；所述用户端用于发起信用风险评估请求，所述服务端包括数据采集模块、样本数据库、风险评估模块和更新模块；所述数据采集模块，用于采集用户的征信特征信息X；所述样本数据库，用于存储用户样本数据；所述风险评估模块，用于根据用户的征信特征信息X评估用户的信用风险结果Y；所述更新模块，用于定期根据所述样本数据库中的用户样本数据对所述信用风险评估模型进行更新。本发明专利技术基于深度学习得到的神经网络模型评估用户的信用风险结果，相比传统固定规则的计算评估，评估效果更好，输出的信用风险结果参考性很强。很强。很强。

【技术实现步骤摘要】
一种信用风险评估系统、方法、设备及介质


[0001]本专利技术属于互联网金融
，尤其涉及一种信用风险评估系统、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，互联网贷款业务量逐年增加。这使得用户信用风险评估变得非常必要，但目前为止的信用风险评估都是依托预定规则计算得出的，输出的信用风险结果参考性不强。

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，提供一种信用风险评估策略，基于深度学习得到的神经网络模型评估用户的信用风险结果，相比传统固定规则的计算评估，评估效果更好，输出的信用风险结果参考性很强。
[0004]本专利技术第一方面公开了一种信用风险评估系统，包括用户端和服务端；所述用户端用于发起信用风险评估请求，所述服务端包括数据采集模块、样本数据库、风险评估模块和更新模块；
[0005]所述数据采集模块，用于根据用户端发起的信用风险评估请求,以当下时间点为参考，采集用户当下时间点之前E1个月内产生的征信特征信息X，以及从当下时间点开始随时间推移持续采集用户新产生的征信特征信息X，并将对应用户采集到的所有征信特征信息作为用户样本数据发送至样本数据库存储；
[0006]所述样本数据库，用于存储用户样本数据；
[0007]所述风险评估模块，用于根据用户的征信特征信息X评估用户的信用风险结果Y；
[0008]所述风险评估模块根据对应用户的征信特征信息X评估用户的信用风险结果时包括以下步骤：
[0009]步骤1、调取E1个月内的征信特征信息X；
[0010]步骤2、将调取的E1个月内的征信特征信息X输入预设的信用风险评估模型Y＝F1(X)，预测用户当下时间点之后E2个月内的信用风险结果Y，Y＝0或1，当Y＝0时，代表用户低风险，当Y＝1时，代表用户高风险；
[0011]步骤3、输出预测的信用风险结果Y；
[0012]所述更新模块，用于定期根据所述样本数据库中的用户样本数据对所述信用风险评估模型Y＝F1(X)进行更新。
[0013]上述信用风险评估系统，所述信用风险评估模型Y＝F1(X)通过以下方法生成或更新：
[0014]Step1、生成新的训练集样本和测试集样本，以及构建脊波神经网络模型；
[0015]Step2、初始化脊波神经网络模型的初始参数，所述初始参数包括连接隐藏层神经
元节点和输出层神经元节点的权重w、激活函数中的尺度参数a、激活函数中的方向参数u和激活函数中的位置参数b；将训练集样本的征信特征信息X作为脊波神经网络模型的输入，将训练集样本的信用风险结果Y作为脊波神经网络模型的输出，训练脊波神经网络模型；训练完成后进入到下一步；
[0016]Step3、采用多元宇宙算法优化训练后的脊波神经网络模型的初始参数；然后进入到下一步；
[0017]Step4、利用测试集样本对优化后的脊波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；
[0018]Step5、以优化后的脊波神经网络模型为信用风险评估模型，并输出该信用风险评估模型。
[0019]上述信用风险评估系统，所述训练集样本和测试集样本通过以下步骤生成：
[0020]Step1
‑
1、从所述样本数据库中抽取多个用户样本数据中一个时间段内的所有信息，然后进入下一步；
[0021]Step1
‑
2、取所述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；
[0022]Step1
‑
3、取在观察期内的信息为对应用户的历史征信特征信息X
’
；取在表现期内的信息中对应用户的逾期表现信息为高风险表现结果Y
’
；表现期内的信息中存在逾期时，高风险表现结果Y
’
＝1，表现期内的信息中不存在逾期时，高风险表现结果Y
’
＝0，然后进入下一步；
[0023]Step1
‑
4、将每个用户样本数据对应的历史征信特征信息X
’
和高风险表现结果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；
[0024]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。
[0025]上述信用风险评估系统，Step3中多元宇宙算法优化脊波神经网络模型的初始参数时，多元宇宙算法的旅行距离率l为多元宇宙算法优化执行时的当前迭代次数，L为多元宇宙算法优化执行时的最大迭代次数，Q为常数，满足2000＜Q＜10000；
[0026]执行所述多元宇宙算法在每次迭代时，子代宇宙满足：
[0027][0028]为第i个子代宇宙的第j个参数；为根据轮盘机制选择的第k个父代宇宙的第j个参数；r2、r3和r4分别是在[0,1]之间的随机数；X
j
为当下最好宇宙的第j个参数；lb
j
，ub
j
为第j个变量的下边界和上边界；WEP为虫洞存在概率；ω为加权学习因子,且其值随迭代次数
l增加而递减，ω∈[0,1]，且满足：
[0029]本专利技术第二方面公开了一种信用风险评估方法，包括以下步骤：
[0030]步骤1、获取用户发起的风险评估请求；
[0031]步骤2、根据用户端发起的信用风险评估请求,以当下时间点为参考，采集用户当下时间点之前E1个月内产生的征信特征信息X，以及从当下时间点开始随时间推移持续采集用户新产生的征信特征信息X，并将对应用户采集到的所有征信特征信息作为用户样本数据发送至样本数据库存储；
[0032]步骤3、根据用户的征信特征信息X评估用户的信用风险结果Y；具体包括：
[0033]步骤3
‑
1、调取E1个月内的征信特征信息X；
[0034]步骤3
‑
2、将调取的E1个月内的征信特征信息X输入预设的信用风险评估模型Y＝F1(X)，预测用户当下时间点之后E2个月内的信用风险结果Y，Y＝0或1，当Y＝0时，代表用户低风险，当Y＝1时，代表用户高风险；
[0035]步骤3
‑
3、输出预测的信用风险结果Y；
[0036]所述信用风险评估模型Y＝F1(X)定期根据预设样本数据库中的样本数据进行更新。
[0037]上述信用风险评估系统，所述信用风险评估模型Y＝F1(X)通过以下方法生成或更新：
[0038]Step1、生成新的训练集样本和测试集样本，以及构建脊波神经网络模型；
[0039]Step2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信用风险评估系统，其特征在于，包括用户端和服务端；所述用户端用于发起信用风险评估请求，所述服务端包括数据采集模块、样本数据库、风险评估模块和更新模块；所述数据采集模块，用于根据用户端发起的信用风险评估请求,以当下时间点为参考，采集用户当下时间点之前E1个月内产生的征信特征信息X，以及从当下时间点开始随时间推移持续采集用户新产生的征信特征信息X，并将对应用户采集到的所有征信特征信息作为用户样本数据发送至样本数据库存储；所述样本数据库，用于存储用户样本数据；所述风险评估模块，用于根据用户的征信特征信息X评估用户的信用风险结果Y；所述风险评估模块根据对应用户的征信特征信息X评估用户的信用风险结果时包括以下步骤：步骤1、调取E1个月内的征信特征信息X；步骤2、将调取的E1个月内的征信特征信息X输入预设的信用风险评估模型Y＝F1(X)，预测用户当下时间点之后E2个月内的信用风险结果Y，Y＝0或1，当Y＝0时，代表用户低风险，当Y＝1时，代表用户高风险；步骤3、输出预测的信用风险结果Y；所述更新模块，用于定期根据所述样本数据库中的用户样本数据对所述信用风险评估模型Y＝F1(X)进行更新。2.按照权利要求1所述的一种信用风险评估系统，其特征在于，所述信用风险评估模型Y＝F1(X)通过以下方法生成或更新：Step1、生成新的训练集样本和测试集样本，以及构建脊波神经网络模型；Step2、初始化脊波神经网络模型的初始参数，所述初始参数包括连接隐藏层神经元节点和输出层神经元节点的权重w、激活函数中的尺度参数a、激活函数中的方向参数u和激活函数中的位置参数b；将训练集样本的征信特征信息X作为脊波神经网络模型的输入，将训练集样本的信用风险结果Y作为脊波神经网络模型的输出，训练脊波神经网络模型；训练完成后进入到下一步；Step3、采用多元宇宙算法优化训练后的脊波神经网络模型的初始参数；然后进入到下一步；Step4、利用测试集样本对优化后的脊波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、以优化后的脊波神经网络模型为信用风险评估模型，并输出该信用风险评估模型。3.按照权利要求2所述的一种信用风险评估系统，其特征在于，所述训练集样本和测试集样本通过以下步骤生成：Step1
‑
1、从所述样本数据库中抽取多个用户样本数据中一个时间段内的所有信息，然后进入下一步；Step1
‑
2、取所述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、取在观察期内的信息为对应用户的历史征信特征信息X
’
；取在表现期内的信息中对应用户的逾期表现信息为高风险表现结果Y
’
；表现期内的信息中存在逾期时，高风
险表现结果Y
’
＝1，表现期内的信息中不存在逾期时，高风险表现结果Y
’
＝0，然后进入下一步；Step1
‑
4、将每个用户样本数据对应的历史征信特征信息X
’
和高风险表现结果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3所述的一种信用风险评估系统，其特征在于，Step3中多元宇宙算法优化脊波神经网络模型的初始参数时，多元宇宙算法的旅行距离率l为多元宇宙算法优化执行时的当前迭代次数，L为多元宇宙算法优化执行时的最大迭代次数，Q为常数，满足2000＜Q＜10000；执行所述多元宇宙算法在每次迭代时，子代宇宙满足：执行所述多元宇宙算法在每次迭代时，子代宇宙满足：为第i个子代宇宙的第j个参数；为根据轮盘机制选择的第k个父代宇宙的第j个参数；r2、r3和r4分别是在[0,1]之间的随机数；X
j
为当下最好宇宙的第j个参数；lb
j
，ub
j
为第j个变量的下边界和上边界；WEP为虫洞存在概率；ω为加权学习因子,且其值随迭代次数l增加而递减，ω∈[0,1]，且满足：5.一种信用风险评估方法，其特征在于，包括以下步骤：步骤1、获取用户发起的风险评估请求；步骤2、根据用户端发起的信用风险评估请求,以...

【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：