一种金融信贷风险识别方法、装置及设备制造方法及图纸

本申请公开了一种金融信贷风险识别方法、装置及设备，可应用于人工智能领域以及金融领域，能够利用基于PCA特征选择和随机森林算法构建的金融信贷风险识别模型，实现对金融信贷风险的快速、准确识别，大幅度提高了金融信贷风险识别结果的准确率和识别效率。该方法包括：首先获取待识别的目标用户的信贷数据；其中，信贷数据包含目标用户的基础信息数据和信贷信息数据，然后对目标用户的基础信息数据和信贷信息数据进行特征提取，得到目标用户对应的特征向量，接着将目标用户对应的特征向量输入至预先构建的金融信贷风险识别模型，得到目标用户对应的金融信贷风险识别结果；其中，金融信贷风险识别模型是基于PCA特征选择和随机森林算法构建的。森林算法构建的。森林算法构建的。

【技术实现步骤摘要】
一种金融信贷风险识别方法、装置及设备


[0001]本申请涉及人工智能
，尤其涉及一种金融信贷风险识别方法、装置及设备。

技术介绍

[0002]随着社会经济的高速发展，各大银行作为金融服务的中心，越来越多的客户通过银行办理各种金融信贷业务，以满足客户的日常生活需求。其中，主要办理的金融信贷业务就是贷款业务，而贷款业务是基于贷款当事人的信用为基础进行的金融业务。由于是以信用为基础，因此对于银行等金融机构来说，这笔贷款存在一定的逾期风险。能够提高对于此类金融风险的防范能力，对于银行等金融机构的长足发展有着至关重要的作用。
[0003]但是目前银行等金融机构用于识别与预测信用违约类金融风险的模型一般为单一的算法，比如决策树模型。决策树模型容易产生一种过于复杂的模型，这种模型对样本的泛化能力较弱，同时决策树模型不稳定，对于样本数据较为敏感，样本数据的微小变化可能会导致生成一种截然不同的决策树模型，导致金融信贷风险的识别结果不够准确、效率较低。因此，如何提高金融信贷风险识别结果的准确率和识别效率是目前亟待解决的问题。/>
技术实现思路
...

【技术保护点】

【技术特征摘要】
1.一种金融信贷风险识别方法，其特征在于，所述方法包括：获取待识别的目标用户的信贷数据；所述信贷数据包含所述目标用户的基础信息数据和信贷信息数据；对所述目标用户的基础信息数据和信贷信息数据进行特征提取，得到所述目标用户对应的特征向量；将所述目标用户对应的特征向量输入至预先构建的金融信贷风险识别模型，得到所述目标用户对应的金融信贷风险识别结果；所述金融信贷风险识别模型是基于主成分分析PCA特征选择和随机森林算法构建的。2.根据权利要求1所述的方法，其特征在于，所述金融信贷风险识别模型的构建方式如下：获取样本用户的样本信贷数据；所述样本数据包含所述样本用户的基础信息数据和样本信贷信息数据；对样本用户的基础信息数据和样本信贷信息数据进行特征提取，得到所述样本用户的对应的样本特征向量；利用PCA方法对所述样本特征向量进行特征选择，降维生成互不相关的样本综合特征变量；利用随机森林算法和所述样本综合特征变量对初始金融信贷风险识别模型进行训练，生成随机森林模型，作为金融信贷风险识别模型。3.根据权利要求2所述的方法，其特征在于，当所述样本特征向量为N维时，N为大于1的正整数；所述利用PCA方法对所述样本特征向量进行特征选择，降维生成互不相关的综合特征变量，包括：利用PCA方法将对具有所述N维的样本特征向量的样本信贷数据进行正交变换，转换成为具有互不相关的M维的样本综合特征变量的样本信贷数据；所述M为大于1的正整数，且N的取值大于M的取值。4.根据权利要求3所述的方法，其特征在于，所述利用随机森林算法和所述样本综合特征变量对初始金融信贷风险识别模型进行训练，生成随机森林模型，作为金融信贷风险识别模型，包括：S1：对所述具有互不相关的M维的样本综合特征变量的样本信贷数据进行有放回的随机抽样，每抽取出一个M维的样本综合特征变量所对应的样本信贷数据均作为一份训练样本数据，直至抽取出K份训练样本数据；所述K为大于1的正整数，且K的取值远大于M的取值；S2：利用所述K份训练样本数据训练得到一颗决策树模型；所述决策树模型为初始金融信贷风险识别模型；S3：重复执行步骤S1
‑
S2，直至训练得到预设数量的决策树模型；S4：利用所述预设数量的决策树模型，通过对预设参数进行调优，生成随机森林模型，作为金融信贷风险识别模型。5.一种金融信贷风险识别装置，其特征在于，所述装置包括：第一获取单元，用于获取待识别的目标用户的信贷数据；所述信贷数据包含所述目标用户的基础信息数据和信贷信息数据；第一提取单元，用于对所述目标用户的基础信息数据和信贷信息数据进...

【专利技术属性】
技术研发人员：罗欣，张燕，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：