互联网金融的风控预测方法技术

本发明专利技术公开了互联网金融的风控预测方法，涉及金融风控领域，包括S1构建初始的预测模型，预测模型包括第一模型和第二模型，第一模型的输出作为第二模型的输入；S2获取数据集；S3数据集导入第一模型，获得预测结果并导入第二模型，对预测模型进行训练优化，获得最优预测模型；S4带预测数据导入最优预测模型获得预测结果；训练多个不同的基础模型可有效减小模型误差；利用决策提升树的优势处理初始数据，加快预测模型的训练速度，LSTM的输入为GBDTs的输出，LSTM只需要关注时序特征信息，构建一种端到端的训练模式，有效结合两者的优点，显著提升模型性能。著提升模型性能。著提升模型性能。

【技术实现步骤摘要】
互联网金融的风控预测方法


[0001]本专利技术涉及金融风控领域，尤其涉及一种互联网金融的风控预测方法。

技术介绍

[0002]近年来，互联网金融行业在中国发展十分迅速，而对应的配套监管措施和技术并未保持同步，存在监管盲区。借贷行业的门槛较低，参与人群的质量存在较大差异，导致互联网金融行业的借贷业务的风险水平较高。且对于以信贷类服务以主要业务的互联网金融借贷平台，由于信息技术不完善，平台无法建立一套有效的风险监测系统，借贷用户违约现象不断。用户为了获得企业的贷款，可能存在隐瞒自己相关信息的操作，这样的低质量用户信息会增加企业的信贷风险，损失无法估量。通过对借贷用户在网购、交易、社交等平台的信誉及行为数据进行深入挖掘和分析，对其在各个平台、场景下产生的数据进行归类、汇总，以大数据时代为背景，以机器学习方法为手段建立违约预测模型，能够将用户的有效信息转化为用户的违约概率，更好的把控用户和平台发生借贷交易的风险。
[0003]初期阶段，业界针对于互联网金融风控的场景，主流预测模型主要为传统机器学习模型逻辑回归(LR)、支持向量机(SVM)、随本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.互联网金融的风控预测方法，其特征在于，包括：S1、构建初始的预测模型，预测模型包括第一模型和第二模型，第一模型的输出作为第二模型的输入；S2、获取数据集；S3、数据集导入第一模型，获得预测结果并导入第二模型，对预测模型进行训练优化，获得最优预测模型。2.根据权利要求1所述的互联网金融的风控预测方法，其特征在于，在S1中，第一模型包括至少两个基础模型，基础模型为GBDTs(梯度提升树类模型)模型，第二模型为LSTM模型。3.根据权利要求2所述的互联网金融的风控预测方法，其特征在于，第二模型的遗忘门表示为f
t
＝σ(W
f
[h
t
‑1，x
t
]+b
f
)，输入门表示为i
t
＝σ(W
i
[h
t
‑1，x
t
]+b
i
)，单元状态表示为输出门表示为o
t
＝σ(W
o
[h
t
‑1，x
t
]+b
o
)，最终输出为h
t
＝o
t
⊙
tanh(c
t
），第二模型的完整输出表示为s(X)＝{h1，h2，...，h
t
}，其中W
f
是遗忘门的权重矩阵，[h
t
‑1，x
t
]表示将其中的两个向量拼接成一个更长的向量，b
f
是遗忘门的偏置项，σ是Sigmoid函数，W
i
是输入门的权重矩阵；b
i
是输入门的偏置项，单元状态c
t
是由上一次的单元状态c
t
‑1按位乘以遗忘门f
t
。4.根据权利要求2所述的互联网金融的风控预测方法，其特征在于，在S3中包括：S31、数据集导入当下第一模型的每个基础模型，并获得预测值，数据集表示为(X，Y
t
)，其中X为基础模型的输入，Y
t
为不同时刻的标签；S...

【专利技术属性】
技术研发人员：岳钧，李开恒，王正宁，周钊聿，周乐瑶，
申请(专利权)人：四川省自然资源科学研究院四川省生产力促进中心，
类型：发明
国别省市：