客户信用风险评估方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种客户信用风险评估方法、装置、设备及存储介质，所述客户信用风险评估方法包括：获取待评估用户的目标数据信息；基于所述目标数据信息，通过已训练好的静态风险评估模型对所述待评估用户进行风险评估，获得不同模型对应的风险评估结果，其中，所述静态风险评估模型为基于申请人和与申请人关联的推荐人分别对应的静态基础数据以及两者之间的交叉维度数据进行训练获得。本申请解决了模型进行风险评估的准确性较低的技术问题。型进行风险评估的准确性较低的技术问题。型进行风险评估的准确性较低的技术问题。

【技术实现步骤摘要】
客户信用风险评估方法、装置、设备及存储介质


[0001]本申请涉及金融科技(Fintech)的机器学习
，尤其涉及一种客户信用风险评估方法、装置、设备及存储介质。

技术介绍

[0002]随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求。
[0003]目前，在信用风险模型应用的情形中，现有的风险模型往往是构造一些与用户本身的数据变量进行模型训练，进而利用通常的机器学习算法进行训练得到信用模型，从而完成对用户的信用识别。然而，这些构造的变量往往只衡量用户本身的基础信息，而构造的变量存在覆盖度不全的情况，使得模型预测计算存在偏差，进而导致模型进行风险评估的准确性较低。

技术实现思路

[0004]本申请的主要目的在于提供一种客户信用风险评估方法、装置、设备及存储介质，旨在解决现有技术中的模型进行风险评估的准确性较低的技术问题。
[0005]为实现上述目的，本申请提供一种客户信用风险评估方法，所述客户信用风险评估方法包括：
[0006]获取待评估用户的目标数据信息；
[0007]基于所述目标数据信息，通过已训练好的静态风险评估模型对所述待评估用户进行风险评估，获得不同模型对应的风险评估结果，其中，所述静态风险评估模型为基于申请人和与申请人关联的推荐人分别对应的静态基础数据以及两者之间的交叉维度数据进行训练获得。
[0008]可选地，在所述基于所述目标数据信息，通过已训练好的静态风险评估模型对所述待评估用户进行风险评估，获得风险评估结果的步骤之后，所述客户信用风险评估方法还包括：
[0009]基于所述风险评估结果，将所述待评估用户进行分层处理；
[0010]将分层处理结果进行矩阵交叉处理，确定所述待评估用户的目标评估结果。
[0011]可选地，在所述基于所述目标数据信息，通过已训练好的静态风险评估模型对所述待评估用户进行风险评估，获得风险评估结果，其中，所述静态风险评估模型为基于申请人和与申请人关联的推荐人分别对应的静态基础数据以及两者之间的交叉维度数据进行训练获得的步骤之前，所述客户信用风险评估方法还包括：
[0012]获取符合预设筛选条件的样本变量数据，其中，所述样本变量数据包括推荐人与申请人对应的静态基础数据以及交叉维度数据；
[0013]对所述样本变量数据进行变量筛选，确定所述样本变量数据中的目标筛选变量数据，并将所述目标筛选变量数据划分为训练变量数据和验证变量数据；
[0014]基于所述训练变量数据，对待训练风险评估模型进行迭代训练，获得风险预测模型。
[0015]可选地，在所述基于所述训练变量数据，对待训练风险评估模型进行迭代训练，获得风险预测模型的步骤之后，所述客户信用风险评估方法还包括：
[0016]将所述验证变量数据输入至所述信用预测模型，得到验证结果；
[0017]基于所述验证结果和所述申请人的真实风险标签，构建目标混淆矩阵；
[0018]基于所述目标混淆矩阵，确定模型评估指标；
[0019]选取所述模型评估指标最优的风险预测模型作为所述静态信用评估模型。
[0020]可选地，所述获取符合预设筛选条件的样本变量数据的步骤包括：
[0021]获取正常变量数据和逾期变量数据；
[0022]根据所述逾期变量数据的逾期情况，选取满足预设逾期筛选阈值的目标逾期变量数据，并将所述正常变量数据和所述目标逾期变量数据作为所述样本变量数据。
[0023]可选地，所述对所述样本变量数据进行变量筛选，确定所述样本变量数据中的目标筛选变量的步骤包括：
[0024]根据所述样本变量数据中的变量相关性和/或变量重要性对所述样本变量数据进行筛选，得到第一变量数据；
[0025]计算所述第一变量数据的模型稳定性指标，并选取所述模型稳定性指标满足第一阈值的第一变量数据作为所述目标筛选变量数据。
[0026]可选地，所述模型评估指标包括：ROC受试者工作特征曲线、logloss对数损失、AUC曲线下面积值和KS正态分布非参数统计检验中的一种或多种。
[0027]本申请还提供一种客户信用风险评估装置，所述客户信用风险评估装置为虚拟装置，所述客户信用风险评估装置包括：
[0028]获取模块，获取待评估用户的目标数据信息；
[0029]风险评估模块，用于基于所述目标数据信息，通过已训练好的静态风险评估模型对所述待评估用户进行风险评估，获得不同模型对应的风险评估结果，其中，所述静态风险评估模型为基于申请人和与申请人关联的推荐人分别对应的静态基础数据以及两者之间的交叉维度数据进行训练获得。
[0030]本申请还提供一种客户信用风险评估设备，所述客户信用风险评估设备为实体设备，所述客户信用风险评估设备包括：存储器、处理器以及存储在所述存储器上的客户信用风险评估程序，所述客户信用风险评估程序被所述处理器执行实现如上述的客户信用风险评估方法的步骤。
[0031]本申请还提供一种存储介质，所述存储介质为计算机可读存储介质，所述计算机可读存储介质上存储客户信用风险评估程序，所述客户信用风险评估程序被处理器执行实现如上述的客户信用风险评估方法的步骤。
[0032]本申请提供了一种客户信用风险评估方法、装置、设备及存储介质，相比于现有技术采用的通过基于用户本身的基础数据信息训练得到的模型进行信用评估的技术手段，本申请首先获取待评估用户的目标数据信息，进而基于所述目标数据信息，通过已训练好的静态风险评估模型对所述待评估用户进行风险评估，获得不同模型对应的风险评估结果，其中，所述静态风险评估模型为基于申请人和与申请人关联的推荐人分别对应的静态基础
数据以及两者之间的交叉维度数据进行训练获得，实现了通过包含申请人以及与申请人关联的推荐人的静态基本数据，以及两者之间的交叉维度数据进行模型训练，降低因变量覆盖度不全所带来的模型偏差，同时也能够从交叉维度数据中捕捉到更多的关联信息，进而提升了所述静态风险评估模型的精准度，从而提高静态风险评估模型后续进行风险预测的准确性，克服了现有技术中的因构造的变量往往只用到用户本身的基础数据信息，导致构造的变量存在覆盖度不全的情况，进而导致模型预测准确性较低的技术缺陷，从而提高了模型风险预测的准确性。
附图说明
[0033]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0034]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域默认技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0035]图1为本申请客户信用风险评估方法第一实施例的流程示意图；
[0036]图2为本申请客户信用风险评估方法第二实施例的流程示意图；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种客户信用风险评估方法，其特征在于，所述客户信用风险评估方法包括：获取待评估用户的目标数据信息；基于所述目标数据信息，通过已训练好的静态风险评估模型对所述待评估用户进行风险评估，获得风险评估结果，其中，所述静态风险评估模型为基于申请人和与申请人关联的推荐人分别对应的静态基础数据以及两者之间的交叉维度数据进行训练获得。2.如权利要求1所述的客户信用风险评估方法，其特征在于，在所述基于所述目标数据信息，通过已训练好的静态风险评估模型对所述待评估用户进行风险评估，获得风险评估结果的步骤之后，所述客户信用风险评估方法还包括：基于所述风险评估结果，将所述待评估用户进行分层处理；将分层处理结果进行矩阵交叉处理，确定所述待评估用户的目标评估结果。3.如权利要求1所述的客户信用风险评估方法，其特征在于，在所述基于所述目标数据信息，通过已训练好的静态风险评估模型对所述待评估用户进行风险评估，获得风险评估结果，其中，所述静态风险评估模型为基于申请人和与申请人关联的推荐人分别对应的静态基础数据以及两者之间的交叉维度数据进行训练获得的步骤之前，所述客户信用风险评估方法还包括：获取符合预设筛选条件的样本变量数据，其中，所述样本变量数据包括推荐人与申请人对应的静态基础数据以及交叉维度数据；对所述样本变量数据进行变量筛选，确定所述样本变量数据中的目标筛选变量数据，并将所述目标筛选变量数据划分为训练变量数据和验证变量数据；基于所述训练变量数据，对待训练风险评估模型进行迭代训练，获得风险预测模型。4.如权利要求3所述的客户信用风险评估方法，其特征在于，在所述基于所述训练变量数据，对待训练风险评估模型进行迭代训练，获得风险预测模型的步骤之后，所述客户信用风险评估方法还包括：将所述验证变量数据输入至所述信用预测模型，得到验证结果；基于所述验证结果和所述申请人的真实风险标签，构建目标混淆矩阵；基于所述目标混淆矩阵，确定模型评估指标；选取所述模型评估指标最优的风险预测模型作为所述...

【专利技术属性】
技术研发人员：林禹君，
申请(专利权)人：权利要求书二页说明书九页附图二页，
类型：发明
国别省市：