本公开提供一种风险识别方法及装置，所述方法包括建立第一模型，所述第一模型根据用户属性和用户借贷行为计算用户的还款积极度；建立第二模型，所述第二模型根据用户属性和用户分类标签计算用户的违约风险；建立第三模型，所述第三模型根据用户属性和用户交易行为计算用户的借款风险；建立第四模型，所述第四模型根据所述第一模型、所述第二模型、所述第三模型以及预设常规变量，对用户进行金融风险分析。本公开的方法能够自动识别客户动态风险；与客户的已知风险融合加入到二级加强模型进行训练，由此得到既有已知风险也有动态风险的二级风控架构系统，用来给通过的客群进行新增拒绝策略开发，有效防止高风险人群的误判。有效防止高风险人群的误判。有效防止高风险人群的误判。
【技术实现步骤摘要】
风险识别方法及装置
[0001]本公开涉及计算机
，尤其涉及一种风险识别方法及装置。
技术介绍
[0002]在交易中的风险控制中现有的技术大多采用行为评分+规则策略来识别客户的交易风险并做出通过与否的决策。
[0003]这样导致的结果是在循环授信产品中客户一段时间后还款积极性变低或者多头查询增加变坏的高风险人群仍然会被当前的风险系统误判。
[0004]因此，如何提供一种自动识别客户动态风险，对客户风险进行精准判断的技术方案是本领域技术人员目前需要解决的问题。
技术实现思路
[0005]本公开实施例提供一种风险识别方法及装置，能够自动识别客户动态风险，对客户风险进行精准判断。
[0006]本公开实施例的第一方面，提供一种风险识别方法,所述方法包括：
[0007]建立第一模型，所述第一模型根据用户属性和用户借贷行为计算用户的还款积极度；
[0008]建立第二模型，所述第二模型根据用户属性和用户分类标签计算用户的违约风险；
[0009]建立第三模型，所述第三模型根据用户属性和用户交易行为计算用户的借款风险；
[0010]建立第四模型，所述第四模型根据所述第一模型、所述第二模型、所述第三模型以及预设常规变量，对用户进行金融风险分析。
[0011]在一种可选的实施方式中，
[0012]所述建立第一模型的方法包括：
[0013]获取用户数据，所述用户数据包括用户属性标签数据和用户借贷行为标签数据，其中，所述借贷行为数据包括表征分期还款、正常还款、提前还款、逾期还款、授信额度的数据中的至少一个；
[0014]基于用户在预订时长内的还款金额占总金额的比例，确定用户的还款积极度，其中，所述还款积极度包括用户在预定时长内的还款积极性；
[0015]通过XGBOOST算法或者逻辑回归算法实现对所述第一模型的训练，当达到预设训练条件时，确定所述第一模型。
[0016]在一种可选的实施方式中，
[0017]所述建立第二模型的方法包括：
[0018]通过预先获取的训练数据集，通过决策树模型，将训练数据集中用户多头信息作为输入变量，训练数据集中用户违约信息作为目标变量，训练所述决策树模型，得到多头违
约分类标签；
[0019]通过预先获取的训练数据集，通过XGBOOST模型，将训练数据集中违约用户的属性信息作为输入变量，违约用户的多头违约分类标签作为目标变量，训练所述XGBOOST模型；
[0020]将训练好的决策树模型和XGBOOST模型作为所述第二模型。
[0021]在一种可选的实施方式中，
[0022]所述预设常规变量包括借款期数、风险定价、用户特征中至少一种；
[0023]所述建立第四模型的方法包括：
[0024]将所述第一模型输出的还款积极度、所述第二模型输出的用户的违约风险、所述第三模型输出的用户的借款风险，以及所述预设常规变量输入待训练的第四模型，生成风险分析数值；
[0025]通过所述风险分析数值实现对待训练的第四模型的训练。
[0026]在一种可选的实施方式中，
[0027]在将所述第一模型输出的还款积极度、所述第二模型输出的用户的违约风险、所述第三模型输出的用户的借款风险，以及所述预设常规变量输入待训练的第四模型，生成风险分析数值之前，所述方法还包括：
[0028]将所述还款积极度、用户的违约风险、用户的借款风险，以及所述预设常规变量进行分组平滑处理，
[0029]将进行分组平滑处理后的还款积极度、用户的违约风险、用户的借款风险，以及预设常规变量输入待训练的第四模型，生成风险分析数值。
[0030]本公开实施例的第二方面，提供一种风险识别装置，所述装置包括：
[0031]第一单元，用于建立第一模型，所述第一模型根据用户属性和用户借贷行为计算用户的还款积极度；
[0032]第二单元，用于建立第二模型，所述第二模型根据用户属性和用户分类标签计算用户的违约风险；
[0033]第三单元，用于建立第三模型，所述第三模型根据用户属性和用户交易行为计算用户的借款风险；
[0034]第四单元，用于建立第四模型，所述第四模型根据所述第一模型、所述第二模型、所述第三模型以及预设常规变量，对用户进行金融风险分析。
[0035]在一种可选的实施方式中，
[0036]所述第一单元还用于：
[0037]获取用户数据，所述用户数据包括用户属性标签数据和用户借贷行为标签数据，其中，所述借贷行为数据包括表征分期还款、正常还款、提前还款、逾期还款、授信额度的数据中的至少一个；
[0038]基于用户在预订时长内的还款金额占总金额的比例，确定用户的还款积极度，其中，所述还款积极度包括用户在预定时长内的还款积极性；
[0039]通过XGBOOST算法或者逻辑回归算法实现对所述第一模型的训练，当达到预设训练条件时，确定所述第一模型。
[0040]在一种可选的实施方式中，
[0041]所述第二单元还用于：
[0042]通过预先获取的训练数据集，通过决策树模型，将训练数据集中用户多头信息作为输入变量，训练数据集中用户违约信息作为目标变量，训练所述决策树模型，得到多头违约分类标签；
[0043]通过预先获取的训练数据集，通过XGBOOST模型，将训练数据集中违约用户的属性信息作为输入变量，违约用户的多头违约分类标签作为目标变量，训练所述XGBOOST模型；
[0044]将训练好的决策树模型和XGBOOST模型作为所述第二模型。
[0045]在一种可选的实施方式中，
[0046]所述预设常规变量包括借款期数、风险定价、用户特征中至少一种；
[0047]所述第四单元还用于：
[0048]将所述第一模型输出的还款积极度、所述第二模型输出的用户的违约风险、所述第三模型输出的用户的借款风险，以及所述预设常规变量输入待训练的第四模型，生成风险分析数值；
[0049]通过所述风险分析数值实现对待训练的第四模型的训练。
[0050]在一种可选的实施方式中，
[0051]所述装置还包括第五单元，所述第五单元用于：
[0052]将所述还款积极度、用户的违约风险、用户的借款风险，以及所述预设常规变量进行分组平滑处理，
[0053]将进行分组平滑处理后的还款积极度、用户的违约风险、用户的借款风险，以及预设常规变量输入待训练的第四模型，生成风险分析数值。
[0054]本公开实施例的风险识别方法及装置能够自动识别客户动态风险；与客户的已知风险融合加入到二级加强模型进行训练，由此得到既有已知风险也有动态风险的二级风控架构系统，用来给通过的客群进行新增拒绝策略开发，有效防止高风险人群的误判。
附图说明
[0055]图1为本公开实施例风险识别方法的流程示意图；
[0056]图2为本公开实本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种风险识别方法，其特征在于，所述方法包括：建立第一模型，所述第一模型根据用户属性和用户借贷行为计算用户的还款积极度；建立第二模型，所述第二模型根据用户属性和用户分类标签计算用户的违约风险；建立第三模型，所述第三模型根据用户属性和用户交易行为计算用户的借款风险；建立第四模型，所述第四模型根据所述第一模型、所述第二模型、所述第三模型以及预设常规变量，对用户进行金融风险分析。2.根据权利要求1所述的风险识别方法，其特征在于，所述建立第一模型的方法包括：获取用户数据，所述用户数据包括用户属性标签数据和用户借贷行为标签数据，其中，所述借贷行为数据包括表征分期还款、正常还款、提前还款、逾期还款、授信额度的数据中的至少一个；基于用户在预订时长内的还款金额占总金额的比例，确定用户的还款积极度，其中，所述还款积极度包括用户在预定时长内的还款积极性；通过XGBOOST算法或者逻辑回归算法实现对所述第一模型的训练，当达到预设训练条件时，确定所述第一模型。3.根据权利要求1所述的风险识别方法，其特征在于，所述建立第二模型的方法包括：通过预先获取的训练数据集，通过决策树模型，将训练数据集中用户多头信息作为输入变量，训练数据集中用户违约信息作为目标变量，训练所述决策树模型，得到多头违约分类标签；通过预先获取的训练数据集，通过XGBOOST模型，将训练数据集中违约用户的属性信息作为输入变量，违约用户的多头违约分类标签作为目标变量，训练所述XGBOOST模型；将训练好的决策树模型和XGBOOST模型作为所述第二模型。4.根据权利要求1所述的风险识别方法，其特征在于，所述预设常规变量包括借款期数、风险定价、用户特征中至少一种；所述建立第四模型的方法包括：将所述第一模型输出的还款积极度、所述第二模型输出的用户的违约风险、所述第三模型输出的用户的借款风险，以及所述预设常规变量输入待训练的第四模型，生成风险分析数值；通过所述风险分析数值实现对待训练的第四模型的训练。5.根据权利要求1所述的风险识别方法，其特征在于，在将所述第一模型输出的还款积极度、所述第二模型输出的用户的违约风险、所述第三模型输出的用户的借款风险，以及所述预设常规变量输入待训练的第四模型，生成风险分析数值之前，所述方法还包括：将所述还款积极度、用户的违约风险、用户的借款风险，以及所述预设常规变量进行分组平滑处理，将进行分组平滑处理后的还款积极度、用户的违约风险、用户的借款风险，以及预设常规变量...
【专利技术属性】
技术研发人员：乾春涛，
申请(专利权)人：上海数禾信息科技有限公司，
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。