本公开提供一种风险评分方法及装置，所述方法包括基于预先获取的用户数据，其中，所述用户数据包括用户基本属性信息、用户的多头信息以及用户的违约信息；基于所述用户数据，获取用户在预设时间阈值内多头信息的变化情况，确定用户的多头违约分类标签；根据所述用户数据以及所述多头违约分类标签，通过预先构建的风险评分模型，确定所述用户的多头风险评分。本公开的风险评分方法能够对多头违约带来的信贷风险进行量化，从而为信贷策略的调整提供依据，有效利用多头信息，模型架构合理，计算快速而准确，为信贷风险的控制提供有力的数据支撑。撑。撑。
【技术实现步骤摘要】
风险评分方法及装置
[0001]本公开涉及计算机
，尤其涉及一种风险评分方法及装置。
技术介绍
[0002]近年来，随着越来越多的提供金融服务的各种信贷公司的出现，对于金融用户而言，能够获得贷款的渠道增多，服务也多样化，金融用户有了更大的选择性，一户多贷的情况也逐渐明显。一户多贷也称为多头贷款，多头贷款指的是同一贷款者同时向多家提供金融服务的机构提出信贷要求得行为。
[0003]过度授信的行为对于部分金融用户，尤其是缺乏自我约束的金融用户而言，是一种具有极大的金融风险的事件。部分金融用户在过度授信之后，在其资金链断裂后，极易发生频繁违约和拖延还款行为，这种行为给提供金融服务的信贷公司的带来了大量的业务风险。
[0004]因此，如何提供一种解决上述问题的技术方案是本领域技术人员目前需要解决的技术问题。
技术实现思路
[0005]本公开实施例提供一种风险评分方法及装置，能够对多头违约带来的信贷风险进行量化。
[0006]本公开实施例的第一方面，提供一种风险评分方法，所述风险评分方法包括：
[0007]基于预先获取的用户数据，其中，所述用户数据包括用户基本属性信息、用户的多头信息以及用户的违约信息；
[0008]基于所述用户数据，获取用户在预设时间阈值内多头信息的变化情况，确定用户的多头违约分类标签；
[0009]根据所述用户数据以及所述多头违约分类标签，通过预先构建的风险评分模型，确定所述用户的多头风险评分。
[0010]在一种可选的实施方式中，
[0011]所述多头信息包括以下的至少一种：多头查询信息、多头命中信息；
[0012]所述多头信息是多个预定时间期限内的多头信息；
[0013]违约用户是指违约时间超过预定时长的用户；
[0014]多头违约风险是从当前时间起始的预定时长范围内的违约风险。
[0015]在一种可选的实施方式中，
[0016]所述方法还包括：
[0017]根据所述用户的多头风险评分预测用户的多头借贷违约风险；
[0018]通过判断所述多头风险评分是否在预设评分阈值内，判断用户的多头借贷违约风险，
[0019]若在预设评分阈值范围内，则认定该用户的多头借贷违约风险低于预设值；
[0020]若不在预设评分阈值范围，则认定该用户的多头借贷违约风险高于预设值。
[0021]在一种可选的实施方式中，
[0022]所述方法还包括：
[0023]将用户的多头风险评分作为输入变量，作为预先构建的金融风险分析模型的输入变量之一，以使所述金融风险分析模型对用户进行金融风险分析。
[0024]在一种可选的实施方式中，
[0025]所述方法还包括训练所述风险评分模型，所述训练训练所述风险评分模型的方法包括：
[0026]基于预先获取的训练数据集，其中，所述训练数据集包括多个训练用户基本属性信息、训练用户多头信息以及训练用户违约信息；
[0027]从所述训练数据集中选取违约用户的数据，并为违约用户分配多头违约分类标签，
[0028]将违约用户的基本属性信息作为输入变量，将违约用户的多头违约分类标签作为目标变量，通过boost提升算法XGB训练所述风险评分模型。
[0029]本公开实施例的第二方面，提供一种风险评分装置，所述风险评分装置包括：
[0030]第一单元，用于基于预先获取的用户数据，其中，所述用户数据包括用户基本属性信息、用户的多头信息以及用户的违约信息；
[0031]第二单元，用于基于所述用户数据，获取用户在预设时间阈值内多头信息的变化情况，确定用户的多头违约分类标签；
[0032]第三单元，用于根据所述用户数据以及所述多头违约分类标签，通过预先构建的风险评分模型，确定所述用户的多头风险评分。
[0033]在一种可选的实施方式中，
[0034]所述多头信息包括以下的至少一种：多头查询信息、多头命中信息；
[0035]所述多头信息是多个预定时间期限内的多头信息；
[0036]违约用户是指违约时间超过预定时长的用户；
[0037]多头违约风险是从当前时间起始的预定时长范围内的违约风险。
[0038]在一种可选的实施方式中，
[0039]所述装置还包括第四单元，所述第四单元用于：
[0040]根据所述用户的多头风险评分预测用户的多头借贷违约风险；
[0041]通过判断所述多头风险评分是否在预设评分阈值内，判断用户的多头借贷违约风险，
[0042]若在预设评分阈值范围内，则认定该用户的多头借贷违约风险低于预设值；
[0043]若不在预设评分阈值范围，则认定该用户的多头借贷违约风险高于预设值。
[0044]在一种可选的实施方式中，
[0045]所述装置还包括第五单元，所述第五单元用于：
[0046]将用户的多头风险评分作为输入变量，作为预先构建的金融风险分析模型的输入变量之一，以使所述金融风险分析模型对用户进行金融风险分析。
[0047]在一种可选的实施方式中，
[0048]所述装置还包括第六单元，所述第六单元用于训练所述风险评分模型，所述训练
训练所述风险评分模型的方法包括：
[0049]基于预先获取的训练数据集，其中，所述训练数据集包括多个训练用户基本属性信息、训练用户多头信息以及训练用户违约信息；
[0050]从所述训练数据集中选取违约用户的数据，并为违约用户分配多头违约分类标签，
[0051]将违约用户的基本属性信息作为输入变量，将违约用户的多头违约分类标签作为目标变量，通过boost提升算法XGB训练所述风险评分模型。
[0052]本公开的风险评分方法，包括基于预先获取的用户数据，其中，所述用户数据包括用户基本属性信息、用户的多头信息以及用户的违约信息；
[0053]基于所述用户数据，获取用户在预设时间阈值内多头信息的变化情况，确定用户的多头违约分类标签；
[0054]根据所述用户数据以及所述多头违约分类标签，通过预先构建的风险评分模型，确定所述用户的多头风险评分。
[0055]本公开的风险评分方法采用了分类模型建立多头违约分类标签，再利用该标签来训练违约风险模型，因此本专利技术能够对多头违约带来的信贷风险进行量化，从而为信贷策略的调整提供依据。本专利技术能够有效利用多头信息，模型架构合理、计算快速而准确，为信贷风险的控制提供了有力的数据支撑。
附图说明
[0056]图1为本公开实施例风险评分方法的流程示意图；
[0057]图2为本公开实施例风险评分装置的结构示意图。
具体实施方式
[0058]为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种风险评分方法，其特征在于，所述风险评分方法包括：基于预先获取的用户数据，其中，所述用户数据包括用户基本属性信息、用户的多头信息以及用户的违约信息；基于所述用户数据，获取用户在预设时间阈值内多头信息的变化情况，确定用户的多头违约分类标签；根据所述用户数据以及所述多头违约分类标签，通过预先构建的风险评分模型，确定所述用户的多头风险评分。2.根据权利要求1所述的风险评分方法，其特征在于，所述多头信息包括以下的至少一种：多头查询信息、多头命中信息；所述多头信息是多个预定时间期限内的多头信息；违约用户是指违约时间超过预定时长的用户；多头违约风险是从当前时间起始的预定时长范围内的违约风险。3.根据权利要求1所述的风险评分方法，其特征在于，所述方法还包括：根据所述用户的多头风险评分预测用户的多头借贷违约风险；通过判断所述多头风险评分是否在预设评分阈值内，判断用户的多头借贷违约风险，若在预设评分阈值范围内，则认定该用户的多头借贷违约风险低于预设值；若不在预设评分阈值范围，则认定该用户的多头借贷违约风险高于预设值。4.根据权利要求1所述的风险评分方法，其特征在于，所述方法还包括：将用户的多头风险评分作为输入变量，作为预先构建的金融风险分析模型的输入变量之一，以使所述金融风险分析模型对用户进行金融风险分析。5.根据权利要求1至4中任一项所述的风险评分方法，其特征在于，所述方法还包括训练所述风险评分模型，所述训练所述风险评分模型的方法包括：基于预先获取的训练数据集，其中，所述训练数据集包括多个训练用户基本属性信息、训练用户多头信息以及训练用户违约信息；从所述训练数据集中选取违约用户的数据，并为违约用户分配多头违约分类标签，将违约用户的基本属性信息作为输入变量，将违约用户的多头违约分类标签作为目标变量，通过boost提升算法XGB训练所述风险评分模型。6.一种风险评分装置，其特征在于，所述风险评分装置包括：第一单元，用于基于...
【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。